Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів

The lung cancer is one of the most aggressive types of a cancer, which is the cause of the massive number of deaths worldwide. One of the methods to prevent the lung cancer death is to detect it on the earliest possible stage. Building an automated lung cancer detection system can help doctors with...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2019
Автори:	Chapaliuk, Bohdan V., Zaychenko, Yuriy P.
Формат:	Стаття
Мова:	Українська
Опубліковано:	The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2019
Теми:	рекурентні нейронні мережі глибинне навчання механізм уваги автоматична діагностика раку легенів
Онлайн доступ:	https://journal.iasa.kpi.ua/article/view/177906
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	System research and information technologies
Завантажити файл:

Репозитарії

System research and information technologies

_version_	1866302608114712576
author	Chapaliuk, Bohdan V. Zaychenko, Yuriy P.
author_facet	Chapaliuk, Bohdan V. Zaychenko, Yuriy P.
author_sort	Chapaliuk, Bohdan V.
baseUrl_str	http://journal.iasa.kpi.ua/oai
collection	OJS
datestamp_date	2019-12-13T15:15:18Z
description	The lung cancer is one of the most aggressive types of a cancer, which is the cause of the massive number of deaths worldwide. One of the methods to prevent the lung cancer death is to detect it on the earliest possible stage. Building an automated lung cancer detection system can help doctors with it. In the scope of this article we consider building a recurrent neural network, which can analyze lung CT scans. As a result, we have built a neural network, which consists of a convolution neural network, a recurrent neural network and an addition attention mechanism, which allows to reuse predefined information about possible malignant sections on the CT scan.
doi_str_mv	10.20535/SRIT.2308-8893.2019.3.03
first_indexed	2025-07-17T10:26:24Z
format	Article
fulltext	 Б.В. Чапалюк, Ю.П. Зайченко, 2019 Системні дослідження та інформаційні технології, 2019, № 3 33 TIДC ТЕОРЕТИЧНІ ТА ПРИКЛАДНІ ПРОБЛЕМИ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМАННЯ ПРИЙНЯТТЯ РІШЕНЬ УДК 683.519 DOI: 10.20535/SRIT.2308-8893.2019.3.03 ВИКОРИСТАННЯ РЕКУРЕНТНИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ АВТОМАТИЧНОЇ ДІАГНОСТИКИ РАКУ ЛЕГЕНІВ Б.В. ЧАПАЛЮК, Ю.П. ЗАЙЧЕНКО Анотація. Рак легенів є одним із найбільш агресивним та швидко прогресую- чим онкологічним захворюванням, що призводить до смерті великої кількості людей по всьому світу. Одним із основним методів боротьби з раком є вияв- лення його якомога на найбільш ранній стадії. Побудова автоматичних систем діагностування раку легенів може допомогти лікарям в цьому. Розглянуто мо- жливість побудови рекурентної нейронної мережі для аналізу КТ зображень легенів пацієнтів. Описано побудовану нейронну мережу, що складається із згорткової нейронної мережі, рекурентної нейронної мережі та додаткового механізму уваги, що надає можливість перевикористати попередньо анотовану інформацію про злоякісні ділянки на КТ знімку. Ключові слова: рекурентні нейронні мережі, глибинне навчання, механізм уваги, автоматична діагностика раку легенів ВСТУП Розроблення систем автоматичного оброблення медичних зображень — од- не з найбільш важливих завдань, вирішивши яке, можна зберегти мільйони життів у всьому світі та поліпшити медичне обслуговування. Це спонукає багатьох науковців та інженерів створювати подібні системи, сподіваючись пришвидшити та підвищити точність медичного діагностування. Мета робо- ти — розгляд проблеми побудови системи автоматичного діагностування раку легенів на базі рекурентних нейронних мереж. Рак легенів є однією з найбільш поширених причин смерті пацієнтів, що мають проблеми з онкологією. Причиною цього є агресивність і склад- ність перебігу захворювання, а також проблема виявлення захворювання на пізніх стадіях. Відповідно до даних Всесвітньої організація охорони здо- ров’я (World Health Organization) протягом 2012 р. зафіксовано близько 1,8 млн нових випадків захворювання раком легенів і близько 1,6 млн випад- ків смертей [1]. Рак легенів вважається одним із найбільш агресивних видів ракових захворювань через велику кількість летальних випадків у пацієнтів. Протягом п’яти років після діагностування раку легенів виживає лише 10–15% пацієнтів. Проте, якщо рак вдається діагностувати на ранніх стаді- ях, то протягом десяти років виживає близько 75% пацієнтів, а отже, діагно- Б.В. Чапалюк, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2019, № 3 34 стування раку легенів на дуже ранніх стадіях є життєво необхідною умовою для збереження життя, тому людям із групи ризику призначають регулярні перевірки. Щоб допомогти лікарям проводити подібні діагностування шви- дко та якісно, розробляються системи автоматичного діагностування раку легенів. Основним методом діагностування раку легенів є отримання рентгенів- ського знімка легені або тривимірного зображення за допомогою комп’ютерної томографії (КТ) шляхом пошарового пропускання рентгенів- ського променя крізь тонкі шари тканин людського тіла в різних напрямках. У результаті отримується набір двовимірних зображень частини тіла люди- ни, з’єднання яких дає тривимірне зображення. У роботі використовувались тривимірні зображення легенів, отримані завдяки комп’ютерній томографії. Для виявлення злоякісних утворень на знімку рентгенологи зазвичай шукають вузлові утворення діаметром понад шість міліметрів. Якщо вузло- ве утворення має менший діаметр, імовірність того що вузлик є злоякісною пухлиною дуже низька, але він може стати зачатком злоякісної пухлини, тому лікарі періодично перевіряють їх збільшення з часом отриманням КТ знімка легенів один раз за рік. Переглядаючи та аналізуючи КТ зображення легенів, рентгенологи ретельно перевіряють тканини шар за шаром, аналі- зуючи просторові залежності між підозрілими вузликами. За таким підхо- дом зроблено спробу застосувати схожий метод аналізу раку легенів у сис- темі автоматичної діагностики. ОГЛЯД ІСНУЮЧИХ РІШЕНЬ ТА ЛІТЕРАТУРИ Проблема автоматичного діагностування раку легенів може бути розглянута як задача класифікації злоякісної пухлини на зображенні КТ, що являє со- бою тривимірне зображення легенів пацієнта. Зазвичай розмір КТ зобра- ження дуже великий, тому помістити його в пам’ять відеокарти разом з більш-менш великою нейронною мережею неможливо. Наприклад, набір даних DSB 2017 [2] має розмір 512×512×(кількість шарів). Кількість шарів у зображенні КТ залежить від роздільної здатності сканера, за допомогою якого виконується обстеження пацієнта. У деяких випадках набір даних міс- тить близько 350 шарів. Оскільки вимоги до обчислювальної потужності пам’яті машини підвищуються кубічно з розміром тривимірного зображен- ня, існує декілька підходів для побудови систем діагностування з урахуван- ням таких обмежень. Кожен шар КТ зображення можна опрацьовувати як окремо, так і з се- рією двовимірних даних, використовуючи вже відомі архітектури двовимір- них згорткових нейронних мереж — DenseNet [3], ResNet [4] або Xception [5]. Система будується таким чином: кожен шар КТ зображення пропуска- ється через двовимірну згорткову нейронну мережу, яка на виході повертає ймовірність на шарі злоякісної пухлини. Після отримання результатів для кожного із зображень рішення про наявність приймається на основі припу- щення задачі багатозразкового навчання (Multi-instance learning); якщо хоча б один шар КТ зображення містить злоякісну пухлину, то вважається що все КТ зображення містить злоякісну пухлину. Якщо на жодному шарі зобра- ження не виявлено злоякісної пухлини, то вважається, що все КТ зображен- ня не містить злоякісного утворення. Використання рекурентних нейронних мереж для автоматичної … Системні дослідження та інформаційні технології, 2019, № 3 35 Однією з найбільших переваг використання такого підходу є можли- вість перевикористання великої кількості навчених на ImageNet згорткових нейронних мереж. Не зважаючи на те, що вони навчені на даних, які не на- лежать до знімків легенів або медичної галузі, виявлені низькорівневі озна- ки на одному наборі даних є корисними і пришвидшують навчання нейрон- ної мережі на іншому наборі даних, а також підвищують точність роботи нейронної мережі [6]. Однак такий підхід ігнорує тривимірну природу да- них, а отже, ігнорує просторові залежності між шарами знімка КТ. Тому та- кий підхід працює, але його можливості досить обмежені. Іншим підходом є створення тривимірних згорткових нейронних ме- реж, що можуть використовувати тривимірні дані на вході. Для перетворен- ня КТ зображення у тривимірне потрібно об’єднати всі шари зображення, наклавши двовимірні зображення один на один. Тоді таке зображення мож- на подавати на вхід тривимірної нейронної мережі. Як згорткову нейронну мережу можна використовувати такі моделі, як C3D [7], або 3D DenseNet [8]. Але зазвичай в медичному домені розмічених даних небагато, і їх не достат- ньо для того, щоб навчити такі нейронні мережі повністю. Тому підходи [9] передбачають два етапи: сегментацію та класифікацію. На етапі сегментації тривимірна згорткова нейронна мережа намагається знайти ділянки, на яких можливе злоякісне утворення. Для навчання цієї нейронної мережі набір даних має містити інформацію про ділянки, які вказують на наявність потен- ційно злоякісних утворень. Таку інформацію попередньо описують рентге- нологи. Після етапу сегментації виявлені підозрілі ділянки легень подають на тривимірну згорткову нейронну мережу, що прогнозує ймовірність раку в кожній з підозрілих ділянок. Якщо хоч в одній з вибраних ділянок ймовір- ність раку буде високою, система розглядатиме все тривимірне зображення як таке, що містить рак легенів. Це збігається із припущенням у багатозраз- ковому навчанні. Як показують праці [9, 10], тривимірні згорткові нейронні мережі можуть досягати точності роботи рівня людини, що становить бли- зько 87% правильних відповідей. Система може також надати інформацію про ділянки з виявленими пухлинами, що спрощує взаємодію лікарів з поді- бними автоматизованими системами. Попри всі досягнення і переваги використання тривимірних згорткових нейронних мереж, зроблено спробу побудувати систему, яка працює за принципом того, як це робить людина, і перевірити, яких результатів можна досягти з таким підходом. Професійний рентгенолог, досліджуючи КТ знім- ка пацієнта, переглядає кожне зображення легенів, виявляючи ділянки, які містять потенційно злоякісні утворення. Перевіряючи кожний шар, рентге- нолог запам’ятовує інформацію про підозрілі ділянки на попередньому шарі і намагається пов’язати цю інформацію з тим, що є на поточному шарі, вра- ховуючи просторові залежності, розміщення, форму та морфологію. Подіб- ний підхід можна спробувати реалізувати в автоматизованих системах за допомогою рекурентних нейронних мереж. ОПИС ВИКОРИСТАНИХ НАБОРІВ ДАНИХ Для діагностування та перевірки наявності раку легенів зазвичай використо- вують КТ. Зображення, отримане за допомогою КТ, складається із серії рен- тгенівських знімків, узятих під різним кутом з різних положень. Такі знімки Б.В. Чапалюк, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2019, № 3 36 можуть містити зображення різних тканин, кісток та кровоносних судин. У випадку знімка КТ для діагностування раку легенів зображення робити- меться на рівні грудної клітки пацієнта і міститиме зображення легеневих тканин. Якщо об’єднати отримані зображення в одне, наклавши їх одне на одне, матимемо тривимірне зображення легенів, яке надалі можна викорис- товувати як вхід для нейронної мережі. Діагностуючи рак легенів, рентгено- логи шукають ділянки, на яких є злоякісні скупчення, що утворюють вузли- ки. Зазвичай під час діагностування намагаються віднайти всі вузлики, навіть якщо вони не дуже великі. Небезпечними і найбільш імовірними зло- якісними утвореннями вважаються вузлики розміром 6 мм і більше. Малі вузлики перевіряють протягом певного періоду часу на наявність їх росту. Якщо малий вузлик за півроку чи рік значно збільшився, це може свідчити про рак легенів. Експерименти та навчання нейронної мережі проводилися з викорис- тання наборів даних LUNA [11] і Data Science Bowl 2017 (DSB 2017) [2]. DSB 2017 містить КТ зображення для більше ніж 1000 пацієнтів, кожен з яких містить інформацію про наявність раку легенів на знімку. Інформацію про наявність раку підтверджено діагнозом в лікарні. DSB 2017 розбито на тренувальну, перевірну та тестову вибірки, які містять 1397, 198 та 506 зо- бражень КТ пацієнтів відповідно. Тренувальна вибірка є не збалансованою і має 1035 прикладів без наявних ознак раку та 362 зображення-приклади, що містять пухлину. Набір даних LUNA включає 1186 міток ділянок, що позна- чають потенційно злоякісну пухлину у 888 пацієнтів. Дані були отримані й описані професійними рентгенологами. Приклади потенційно злоякісних утворень часто використовуються для вирішення завдань сегментації. У ви- падку побудованої рекурентної нейронної мережі в роботі використовували анотовані ділянки в механізмі уваги. ПОПЕРЕДНЄ ОБРОБЛЕННЯ ДАНИХ Дані в КТ знімках містяться в шкалі одиниць Гаунсфільда, що кількісно ві- дображає густину рентгенівського випромінювання. Усі КТ сканери налаш- товані та відкалібровані точно вимірювати ці значення. За замовчуванням у наборі даних DSB 2017 наявні не в шкалі Гаунсфільда, тому перед початком використання їх потрібно конвертувати. Це можна зробити шляхом пере- множення значень пікселів зображення та параметра «rescale slope» і зна- чень параметра «rescale intercept» [12]. Ці параметри задаються виробником сканера і доступні в метаданих dicom файлу. У наборі даних LUNA це роби- ти не потрібно, оскільки тут значення пікселів уже містяться в шкалі Гаунс- фільда. У шкалі Гаунсфільда кожний вид біологічної тканини, кістки, кров, су- дини мають свої значення рентгенівської густини. Цей факт широко викори- стовують для відфільтрування із зображення, що не стосується легенів. Для цього було відфільтровано всі значення пікселів, які більші або дорівнюва- ли 600. Останнім кроком у попередньому обробленні є зміна розміру зобра- ження та нормалізація значень пікселів для пришвидшення навчання ней- ронної мережі. У розгляданому випадку кожен шар КТ зображення зменшено до розміру 200×200 для зменшення розмірності вхідних даних. Використання рекурентних нейронних мереж для автоматичної … Системні дослідження та інформаційні технології, 2019, № 3 37 ПОБУДОВА ТА НАВЧАННЯ РЕКУРЕНТНОЇ НЕЙРОННОЇ МЕРЕЖІ У дослідженні вирішено спробувати реалізувати рекурентну нейронну ме- режу, яка б розглядала КТ знімок у спосіб, подібний до того, як це робить людина. Для цього потрібно поєднати між собою двовимірну згорткову ней- ронну мережу та рекурентну нейронну мережу. Як двовимірну згорткову нейронну мережу використано DenseNet [3], тоді як рекурентна нейронна мережа реалізована у вигляді LSTM [13]. У цьому випадку згорткова ней- ронна мережа є екстрактором ознак, який виділяє найбільш важливі ознаки в кожному шарі КТ знімка, а LSTM прогнозує наявність злоякісного утво- рення в легенях, аналізуючи послідовність отриманих ознак із згорткової нейронної мережі. Тобто рекурентна мережа навчається аналізувати інфор- мацію і залежності між різними шарами КТ знімка з урахуванням тривимір- ної природи. Спробою навчити таку модель отримано точність роботи ней- ронної мережі на рівні 0,72, що значно нижче від точності, досягнутої тривимірними згортковими нейронними мережами. Основною проблемою навчання такої мережі є недостатня кількість прикладів у тренувальному наборі даних, що зумовило серйозні проблеми перенавчання. Для поліпшення роботи нейронної мережі потрібно було розділити за- дачу на підзадачі, як і у випадку тривимірних згорткових нейронних мереж. У праці [14] автори будували систему для розпізнавання пошкоджень у го- ловному мозку людини на базі КТ знімків черепа людини. Основна особли- вість побудованої нейронної мережі полягає у використанні механізму уваги [15], яка надавала інформацію нейронній мережі про локацію злоякісного утворення на знімку під час етапу навчання. Локація злоякісного утворення бралася із набору даних, попередньо описаного професійними рентгеноло- гами. Такий підхід значно підвищував точність роботи нейронної мережі зі знаходження пошкоджень у головному мозку людини. Тому було вирішено використати схожий механізм для підвищення точності роботи рекурентної нейронної мережі для виконання поставленого завдання. В існуючу модель DenseNet + LSTM після кожного Densenet блока до- дали блоки оберненої згортки (див. рисунок). Додані блоки оберненої згортки під час навчання використовуються як механізм додавання інформації про ділянки злоякісного утворення і вико- нують сегментацію. Такий механізм надає нейронній мережі інформацію Densenet блок 1 Densenet блок 2 Densenet блок 3 Блок оберненої згортки 1 Блок оберненої згортки 2 Блок оберненої згортки 3 Висновок про наявність злоякісного утворення на КТ знімку Сегментація, вихід 1 Сегментація, вихід 2 Сегментація, вихід 3 X1 X2 X3 Кінцева версія рекурентної нейронної мережі для прогнозування раку на КТ знімку Б.В. Чапалюк, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2019, № 3 38 про місце виявлення проблемної ділянки та стимулює більше приділяти ува- гу саме потенційно небезпечним ділянкам. Блок оберненої згортки склада- ється з декількох послідовно з’єднаних шарів згортки 1×1 та оберненої згор- тки для відновлення вихідного розміру зображення. Між відповідним Densenet блоком та шарами з блока оберненої згортки існують додаткові зв’язки, зроблені в такій ж манері, як і в нейронній мережі типу U-Net [16]. Це необхідно для покращення роботи шару оберненої згортки. Для навчання створеної рекурентної нейронної мережі з механізмом уваги необхідно виконати додаткові кроки оброблення тренувальної вибір- ки. У наборі даних LUNA [11] є попередні описані рентгенологами коорди- нати знаходження потенційно злоякісних утворень, з використанням цієї інформації створено маски, які застосовуються для порівняння того, що по- вертає нейронна мережа після кожного з блоків оберненої згортки і вклю- чення цієї інформації у функцію втрат. Набір даних DSB 2017 не містить інформації про злоякісні утворення в легенях, тож перевикористано описи підозрілих ділянок, створених в межах праці [9]. Під час навчання нейронної мережі використовували DenseNet з глиби- ною 121, яка була попередньо навчена на наборі даних ImageNet. Викорис- тання попередньо навченої нейронної мережі дозволило отримати кращу початкову ініціалізацію вагових коефіцієнтів мережі, що пришвидшило процес навчання. Фінальну функцію втрат визначено як суму з ваговими коефіцієнтами між функціями втрат для задачі класифікації та задач сегмен- тації (визначених блоками оберненої згортки). Навчання нейронної мережі відбувалося за допомогою стохастичного градієнтного спуску з початковим значенням коефіцієнта навчання (learning rate) 0,0005. Упродовж навчання коефіцієнт навчання змінювався вручну залежно від динаміки навчання по- будованої мережі. У результаті навчена нейронна мережа показала точність роботи на рівні 0,81. РЕЗУЛЬТАТИ У роботі були навчені два різні види рекурентних нейронних мереж, які описано в попередньому розділі. Перша рекурентна нейронна мережа скла- далася з двовимірної згорткової нейронної мережі DenseNet [3] та LSTM [13]. Інша модель додає до DenseNet та LSTM механізм уваги шляхом дода- вання трьох додаткових задач, що розв’язують задачу сегментації (див. ри- сунок). Також додано значення точності тривимірних нейронних мереж, отримані іншими авторами, для порівняння результатів, здобутих для реку- рентної нейронної мережі з іншими підходами. Результати проведених експериментів та порівняння з тривимірними згортковими нейронними мережами наведено в таблиці. Models Accuracy DenseNet + LSTM 0,72 DenseNet + LSTM з механізмом уваги 0,81 DSB 2017 winner model [9] 0,87 Використання рекурентних нейронних мереж для автоматичної … Системні дослідження та інформаційні технології, 2019, № 3 39 ВИСНОВКИ Побудована рекурентна нейронна мережа показала задовільні результати, що не дуже відрізняються від рівня точності людини, але все ще гірші за результати, отримані за допомогою тривимірних згорткових нейронних ме- реж. Результати показують, що для кращого навчання і роботи рекурентної нейронної мережі необхідно використовувати механізм уваги, що допомагає нейронній мережі навчитися звертати увагу на дійсно злоякісні утворення. Сам механізм уваги реалізовується як додаткові задачі сегментації, які да- ють змогу враховувати інформацію про злоякісні ділянки, що були попе- редньо анотовані рентгенологами. Основною перевагою використаного ме- ханізму уваги є можливість перевикористання людського знання для покращення і пришвидшення навчання мережі. ЛІТЕРАТУРА 1. World Health Organization, «World cancer report». — 2014. — Available at: http://publications.iarc.fr/Non-Series-Publications/World-Cancer-Reports/World- Cancer-Report-2014. 2. Kaggle, Data Science Bowl. — 2017. — Available at: https://www.kaggle. com/c/data-science-bowl-2017. 3. Huang G. Densely Connected Convolutional Networks / G. Huang, Z. Liu, L. van der Maaten, K. Q Weinberger // IEEE Conference on Computer Vision and Pat- tern Recognition (CVPR). — 2017. — P. 2261–2269. — Available at: https://www.doi.org/10.1109/CVPR.2017.243 4. He K. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — P. 770–778. — Available at: https://www.doi.org/10.1109/ CVPR.2017.243 5. Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions / F. Chollet // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2017. — P. 1800–1807. — Available at: https://www.doi.org/ 10.1109/CVPR.2017.195 6. Pan S. A Survey on Transfer Learning / S. Pan, Q. Yang // IEEE Transactions on Knowledge and Data Engineering. —2010. — Vol. 22, N. 10. — Available at: https://www.doi.org/1345-1359. 10.1109/TKDE.2009.191 7. Tran Du. Learning Spatiotemporal Features with 3D Convolutional Networks / Du. Tran, L. Bourdev, R. Fergus et al. // Proceedings of the 2015 IEEE Interna- tional Conference on Computer Vision (ICCV). — 2015. — P. 4489–4497. — Available at: https://www.doi.org/10.1109/ICCV.2015.510 8. Bui T.D. 3D Densely Convolutional Networks for Volumetric Segmentation / T.D. Bui, J. Shin, T. Moon. — 2017. — Available at: https://arxiv.org/abs/ 1709.03199. 9. Liao F. Evaluate the Malignancy of Pulmonary Nodules Using the 3D Deep Leaky Noisy-or Network / F. Liao, M. Liang, Z. Li et al. // IEEE transactions on neural networks and learning systems. — 2017. — Available at: https://www. doi.org/10.1109/TNNLS.2019.2892409 10. Zhu W. DeepLung: Deep 3D dual path nets for automated pulmonary nodule detec- tion and classification / W. Zhu, C. Liu, W. Fan, X. Xie // Proceedings — 2018 IEEE Winter Conference on Applications of Computer Vision, WACV 2018. — Б.В. Чапалюк, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2019, № 3 40 Vol. 2018-Janua. — 2018. — P. 673–681. — Available at: https://www.doi.org/ 10.1109/WACV.2018.00079 11. Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge // Medical Image Analysis. — 2017. — Vol. 42. — P. 1–13. — Available at: https://www.doi.org/10.1016/j.media.2017.06.015 12. DicomLookup. — Available at: http://dicomlookup.com/lookup.asp?sw=Tnumber &q=% 280028,1052%29 13. Greff K. LSTM: A Search Space Odyssey / K. Greff, R. Srivastava, J. Koutník et al. // IEEE Transactions on Neural Networks and Learning Systems. — Vol. 28, N 10. — 2017. — P. 2222–2232. — Available at: https://www.doi.org/10.1109/ TNNLS.2016.2582924 14. Grewal M. RADNET: Radiologist Level Accuracy using Deep Learning for HEMORRHAGE detection in CT Scans / M. Grewal, M.M. Srivastava, K. Pulkit, V. Srikrishna. — 2017. — Available at: https://arxiv.org/abs/1710.04934 15. Mnih V. Recurrent Models of Visual Attention / V. Mnih, N. Heess, A. Graves, K. Kavukcuoglu. — Available at: https://arxiv.org/abs/1406.6247 16. Ronneberger O. U-Net: Convolutional Networks for Biomedical Image Segmenta- tion / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. — Springer, 2015. — P. 234–241. — Available at: https://www.doi. org/10.1007/978-3-319-24574-4_28 Надійшла 16.09.2019
id	journaliasakpiua-article-177906
institution	System research and information technologies
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2025-07-17T10:26:24Z
publishDate	2019
publisher	The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
record_format	ojs
resource_txt_mv	journaliasakpiua/1e/c116bf4c61fbdb4c160400cf47c24e1e.pdf
spelling	journaliasakpiua-article-1779062019-12-13T15:15:18Z Recurrent neural network usage for computer-aided lung cancer detection system Использование рекуррентной нейронной сети для автоматической диагностики рака легких Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів Chapaliuk, Bohdan V. Zaychenko, Yuriy P. рекурентні нейронні мережі глибинне навчання механізм уваги автоматична діагностика раку легенів рекуррентные нейронные сети глубинное обучение механизм внимания автоматическая диагностика рака легких recurrent neural networks deep learning attention mechanism computer-aided lung cancer detection system The lung cancer is one of the most aggressive types of a cancer, which is the cause of the massive number of deaths worldwide. One of the methods to prevent the lung cancer death is to detect it on the earliest possible stage. Building an automated lung cancer detection system can help doctors with it. In the scope of this article we consider building a recurrent neural network, which can analyze lung CT scans. As a result, we have built a neural network, which consists of a convolution neural network, a recurrent neural network and an addition attention mechanism, which allows to reuse predefined information about possible malignant sections on the CT scan. Рак легких является одним из наиболее агрессивных и быстро прогрессирующих онкологических заболеваний, приводящим к смерти большого количества людей по всему миру. Одним из основным методов борьбы с раком является выявление его на наиболее ранней стадии. Построение автоматических систем диагностирования рака легких может помочь врачам в этом. Рассмотрена возможность построения рекуррентной нейронной сети для анализа КТ изображений легких пациентов. Описана построенная нейронная сеть, состоящая из сверточной нейронной сети, рекуррентной нейронной сети и дополнительного механизма внимания, который дает возможность переиспользовать предварительно аннотированную информацию о злокачественных областях на КТ снимке. Рак легенів є одним із найбільш агресивним та швидко прогресуючим онкологічним захворюванням, що призводить до смерті великої кількості людей по всьому світу. Одним із основним методів боротьби з раком є виявлення його якомога на найбільш ранній стадії. Побудова автоматичних систем діагностування раку легенів може допомогти лікарям в цьому. Розглянуто можливість побудови рекурентної нейронної мережі для аналізу КТ зображень легенів пацієнтів. Описано побудовану нейронну мережу, що складається із згорткової нейронної мережі, рекурентної нейронної мережі та додаткового механізму уваги, що надає можливість перевикористати попередньо анотовану інформацію про злоякісні ділянки на КТ знімку. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2019-10-07 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/177906 10.20535/SRIT.2308-8893.2019.3.03 System research and information technologies; No. 3 (2019); 33-40 Системные исследования и информационные технологии; № 3 (2019); 33-40 Системні дослідження та інформаційні технології; № 3 (2019); 33-40 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/177906/183558 Copyright (c) 2021 System research and information technologies
spellingShingle	рекурентні нейронні мережі глибинне навчання механізм уваги автоматична діагностика раку легенів Chapaliuk, Bohdan V. Zaychenko, Yuriy P. Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів
title	Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів
title_alt	Recurrent neural network usage for computer-aided lung cancer detection system Использование рекуррентной нейронной сети для автоматической диагностики рака легких
title_full	Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів
title_fullStr	Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів
title_full_unstemmed	Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів
title_short	Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів
title_sort	використання рекурентних нейронних мереж для автоматичної діагностики раку легенів
topic	рекурентні нейронні мережі глибинне навчання механізм уваги автоматична діагностика раку легенів
topic_facet	рекурентні нейронні мережі глибинне навчання механізм уваги автоматична діагностика раку легенів рекуррентные нейронные сети глубинное обучение механизм внимания автоматическая диагностика рака легких recurrent neural networks deep learning attention mechanism computer-aided lung cancer detection system
url	https://journal.iasa.kpi.ua/article/view/177906
work_keys_str_mv	AT chapaliukbohdanv recurrentneuralnetworkusageforcomputeraidedlungcancerdetectionsystem AT zaychenkoyuriyp recurrentneuralnetworkusageforcomputeraidedlungcancerdetectionsystem AT chapaliukbohdanv ispolʹzovanierekurrentnojnejronnojsetidlâavtomatičeskojdiagnostikirakalegkih AT zaychenkoyuriyp ispolʹzovanierekurrentnojnejronnojsetidlâavtomatičeskojdiagnostikirakalegkih AT chapaliukbohdanv vikoristannârekurentnihnejronnihmereždlâavtomatičnoídíagnostikirakulegenív AT zaychenkoyuriyp vikoristannârekurentnihnejronnihmereždlâavtomatičnoídíagnostikirakulegenív

Використання рекурентних нейронних мереж для автоматичної діагностики раку легенів

Репозитарії

Схожі ресурси