Информационная технология ранней диагностики пневмонии с использованием сверточных нейронных сетей

• Published in: Проблемы управления и информатики
• Date: 2021
• Main Authors: Радюк, П.М., Бармак, А.В., Крак, Ю.В.
• Format: Article
• Language: Russian
• Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2021
• Subjects: Роботы и системы искусственного интеллекта
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/208942
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Информационная технология ранней диагностики пневмонии с использованием сверточных нейронных сетей / П.М. Радюк, А.В. Бармак, Ю.В. Крак // Проблемы управления и информатики. — 2021. — № 3. — С. 101-114. — Бібліогр.: 34 назв. — рос.

В представленій роботі пропонується інформаційна технологія візуального аналізу рентгенівських зображень для інтерпретування результатів цифрової діагностики вірусної пневмонії на ранніх стадіях. Технологія включає модель класифікації, на основі згорткової нейронної мережі, для вилучення нечітких ознак ранньої вірусної пневмонії та модифікований метод відмінної локалізації для пояснення результатів класифікації. Нейронна мережа, що використана в дослідженні, містить ефективну розширену операцію згортки для об’єднання ознак із різних рецептивних полів на зображенні. Запропонований метод інтерпретування полягає в застосуванні зважених градієнтів до карт активації класів. To address an urgent issue of interpretation in digital diagnosis, we propose an information technology for the visual analysis of X-ray images to explain the results of diagnosing pneumonia. The technology comprises a classification model based on a convolutional neural network to extract mild features of early viral pneumonia and a modified method of distinctive localization to interpret the classification results. The neural network used in the study contains an effective dilated convolutional operation to combine features of various receptive fields. Our method of interpretation is based on applying weighted gradients to class activation maps.