CC BY
10APRIL 27-28, 2023
KO'KRAK QAFASI RENTGENOGRAFIK TASVIRLARINI KLASSIFIKATSIYA QILISHDA VEYVLETLARGA ASOSLANGAN CHUQUR O'QITISH MODELI
Jurayev Umidjon Sayfullayevich
GulDU tayanch doktoranti https://doi.org/10.5281/zenodo.7859557
Annotatsiya. So'ngi paytlarda veyvlet va ularning bir-birini to'ldiruvchi kuchli tomonlaridan foydalanish uchun chuqur o'rganishni birlashtirishga qiziqish ortib bormoqda. Konvolyutsion neyron tarmog'iga (CNN) asoslangan xususiyatlarni o'rganish usullari tasvirlarni tasniflash vazifalarida katta yutuqlarga erishdi. Biroq, o'ziga xos shovqin va boshqa ba'zi omillar konvolyutsion xususiyatlar statistikasining samaradorligini susaytirishi mumkin. Maqolada diskret veyvlet o'zgartirishga asoslangan veyvletli konvolyutsion neyron tarmoq (VKNT) modelini taklif qilingan.
Kalit so'zlar: Chuqur o'qitish, neyron tarmoq, CNN, ko'p toifali tasvirlani tasniflash, veyvlet o'zgartirish, Dobeshi veyvleti
Kirish. Insonning nafas olish tizimi turli xil o'pka kasalliklari tomonidan hujumga uchraydi. Bu kasalliklar orasida pnevmoniya, sil, o'pka saratoni va Covid-19 va boshqalar kiradi. Ushbu kasalliklar inson o'pkasiga o'xshash ta'sirga olib kelishi mumkin, shuning uchun bu kasalliklarni tashxislash uchun rentgen tasvirlari odatda qo'llaniladi. Chuqur o'rganish algoritmlari ko'rinishidagi sun'iy intellekt kasalliklarni aniqlash va tasniflashda tobora muhim rol o'ynadi. Chuqur o'rganish diagnostika jarayonini osonlashtiradi va tibbiyot xodimlarining vaqtini tejaydi.
Konvolyutsion neyron tarmoqlari (KNT) kabi ChO' modellarining ish faoliyatini yaxshilash uchun tasvirni oldindan qayta ishlash usullari va arxitekturani yaxshilash usullari taklif qilingan. Misol uchun, veyvlet parchalanish funktsiyasi kuchli, ixchamligi tufayli konvolyution neyron tarmoqda tasvir xususiyatlarini ajratib olish uchun ishlatilgan. Bundan tashqari, KNT arxitekturalari tasniflash jarayonini qo'llab-quvvatlash uchun xususiyatlarni aniqlash jarayonini yaxshilash uchun optimallashtirilgan. Biroq, bu yondashuvlar hali ham to'liq emas, chunki yaxshilanadigan xususiyatlarni va xususiyatlarni yaxshilash uchun yo'q qilinishi kerak bo'lgan xususiyatlarni farqlash mexanizmi mavjud emas. Bundan tashqari, tasniflash aniqligini oshirish uchun ko'krak qafasi rentgenografik tasvirlarida diskriminant xususiyatlarni aniqlashni yaxshilash uchun KNT arxitekturasini qayta qurish uchun mos veyvlet o'zgartirish usullaridan foydalanishga hech qanday tadqiqotlar yaqinlashmagan.
Asosiy qism
Maqolada eng keng tarqalgan o'pka kasalliklarini aniqlash uchun ko'p sinfli chuqur o'rganish tasniflash modelini taqdim etiladi. Tadqiqot ishining maqsadi chuqur o'rganish tizimini ishlab chiqish va ko'p toifali pnevmoniya, sil, sog'lom o'pka va eng so'nggi COVID-19 ni tasniflashdan iborat. Chuqur o'rganish (ChO') sohasidagi tadqiqotlar raqamli tasvirlarda o'pka kasalliklarini tasniflash va tashxislash muammolariga muhim yechimlarni taqdim etishda davom etmoqa. Shuning uchun, biz bu maqolada ushbu muammolarni 4-tartibli Dobeshi veyvleti orqali veyvlet-KNT arxitekturasi orqali hal qilishga harakat qildik. Ushbu xususiyatlar maqolada taklif qilingan yangi veyvlet o'zgartirish funktsiyasidan foydalanadigan veyvlet-KNT strukturaga kirish sifatida uzatiladi. Veyvlet-KNT arxitekturasi tasniflash jarayonini qo'llab-quvvatlaydigan
APRIL 27-28, 2023
anormalliklarni ko'rsatadigan xususiyatlarni olish uchun veyvlet o'zgartirish qatlamlarini va qisqartirilgan xususiyat xaritalarini qo'lladi. Olingan natijalar shuni ko'rsatdiki, yangi usul tasniflash aniqligini oshirdi va yo'qotish funktsiyasi qiymatlarini pasaytirdi. Tadqiqot natijalari raqamli rentgenografik tasvirlarda o'pka kasalliklarini tasniflash va birlamchi tashxislashda aniqlikni va samaradorlikni oshirish uchun KNT arxitekturasini qayta qurishda veyvlet o'zgartirish funktsiyasining foydaliligini ko'rsatadi.
1-rasmda taklif qilinayotgan algoritm sxemasi ko'rsatilgan. Blok sxema oldindan ishlov berish, xususiyatlarni ajratib olish va tasniflash kabi uch bosqichga bo'lingan. 2-rasmda ko'rsatilganidek, ko'krak qafasi rentgen tasvirlari kirish sifatida ishlatilgan va kirish rentgen tasvirining kasallik darajasidagi toifalanishi esa modelning yakuniy chiqishi hisoblanadi.
1-rasm. Taklif etilayotgan algoritmning diagrammasi Birinchi bosqichda kirish tasvirlari normallashtirish, o'lchamini o'zgartirish va ma'lumotlar tasvirini tasodifiy ravishda 90% o'qitish va 10% tekshirishga bo'linish kabi oldindan ishlov berish funktsiyasidan o'tadi. Keyinchalik, ikkinchi va uchinchi bosqichlarda chuqur o'rganish algoritmlari qo'llaniladi. Ikkinchi bosqich WCNN (Wavelet Convolution Neural Network) texnikasi yordamida amalga oshiriladigan xususiyatlarni ajratib olishni o'z ichiga oladi. To'liq bog'langan tarmoq texnikasi tasvirni tasniflashtirish bosqichida qo'llaniladi.
Eksperimental maqsadlarda sog'lom holatlarga qo'shimcha ravishda pnevmoniya, sil, Covid-19 ning ulkan rentgen tasvirlari ishonchli manbalardan olingan va to'plangan. Avvalo, COVID-19 uchun ommaviy ma'lumotlar to'plamining turli manbalaridan 2021 ta rentgen tasvirlari va chop etilgan tadqiqotlar kiritilgan.
Ikkinchidan, bakterial pnevmoniyaning 1999 ta ko'krak qafas rentgen (KQR) tasvirlari Shimoliy Amerika Radiologiya Jamiyati (RSNA), Italiya Tibbiyot va Interventsion Radiologiya Jamiyati (SIRM) va Radiopaediadan olingan bo'lib, ular tadqiqotlar uchun ommaga ochiq. Tajribalarimizning bir qismi sifatida COVID-19 ni pnevmoniyadan farqlash uchun ushbu ma'lumotlar to'plamlari biz taklif qilayotgan chuqur modelni o'rgatish uchun ishlatilgan. Bundan tashqari, Shimoliy Amerika Radiologik Jamiyati viral pnevmoniyaning 1998 ta KQR tasvirini ifodalaydi, o'pka silining jami 2024 ta rentgen tasvirlari uchun ma'lumotlar to'plamini ko'rsatadi.
APRIL 27-28, 2023
Tajribalarimizda 10 000 dan ortiq KQR tasvirlari ma'lumotlar to'plami sifatida foydalanilgan. O'pka sili, bakterail pnevmoniya, sog'lom o'pka, viral pnevmoniya, COVID-19 kasalligi uchun ko'krak qafasi rentgenogrammasining namunalari 2-rasmda ko'rsatilgan.
c) COVID-1«
2-rasm. O'pka rentgen tasvirlari
Kirish ma'lumotlarini chuqur o'rganish modeli talablariga moslashtirish uchun ba'zi dastlabki ishlov berish jarayonlari qo'llanildi:
1) Tasvirlarning o'lchamlari o'zgartirildi;
2) tasvirlar normallashtirildi;
3) tasvirlar modelning keyingi bosqichida kiritish uchun massivga aylantirildi.
Tasvirlarning o'zgarishi tavsiya etilgan modelni o'qitish talablariga javob berishini
ta'minlash uchun ma'lumotlar mos ravishda 10% va 90% da tekshirish va o'qitish kichik to'plamlariga tasodifiy bo'lingan. Shablon mezonlariga javob berish uchun barcha tasvirlar 128x128x3 o'lchamga keltirilgan. Tasvirdagi har bir pikselni [0,1] oraliqda normallashtirgandan so'ng, barcha tasvirlar massiv ma'lumotlarini ko'rsatishga aylantirildi.
Tavsiya etilgan chuqur o'rganish Wavelet + CNN modeli
Ushbu tadqiqotda eng keng tarqalgan o'pka kasalliklarini ko'p toifali tasniflash uchun chuqur o'rganish modeli ko'rsatilgan.
Bizning modelimiz uchun kirish ma'lumotlari sifatida 128x128x3 o'lchamdagi KQR tasvirlari ishlatilgan. Xususiyatlarni ajratib olish bosqichida 4-tartibli Dobeshi veyvlet orqali uchta KNT bloki kuzatiladi. Veyvletlar katta hajmdagi tasvir ilovalari uchun yuqori aniqlikni ta'minlash uchun mo'ljallangan. 3 ta konvolyutsiya filtri va WCNNdan iborat xususiyat arxitekturasi ishlatilgan. Har bir CNN blokida faollashtirish funktsiyasi sifatida ReLU bilan konvolyutsiya qatlami mavjud. Ushbu uchta CNN blokidan so'ng, to'plamni normallashtirish va maksimal yig'ish qatlami qo'llanildi, so'ngra ularni tashlab yuborish qatlami kuzatildi.
866
APRIL 27-28, 2023
Xususiyatlarni ajratib olish bosqichida chiqish bir o'lchovli ma'lumotlar vektoriga aylantirildi, keyinchalik tekislash qatlami orqali o'zgartirilgandan so'ng tasniflash bosqichida kirish sifatida foydalanildi. Tasniflash bosqichining qolgan komponentlari har birida 512, 256 va 128 neyronga ega bo'lgan uchta qalin qatlamdan iborat. Bu beshta neyronli qalin qatlam va yakuniy tasniflash natijasini yaratuvchi SoftMax faollashtirish funksiyasi. Ushbu qatlam chiqish tasvirini beshta sinflaridan biriga tasniflash uchun javobgardir: Bakterial pnevmoniya, viral pnevmoniya, sil, COVID-19 va so'glom.
Natijalar
Modelni o'rgatish va tasdiqlash uchun ResNet18 bilan optimallashtiruvchi va mos ravishda moslashtirish algoritmlari ishlatilgan. Eng yuqori aniqlik bilan ishlash ko'rsatkichlari formulalari tekshirish ma'lumotlarining chiqishiga kiritildi. Adam optimallashtiruvchisi ishlatilgan va o'rganish tezligi 0,000009 (LR) teng.
Modelning ishlashini baholash uchun aniqlik, yo'qotish, F1-ball, aniqlik va eslab qolish ko'rsatgichlari qo'llanildi. Aniqlik holatlarning umumiy sonidan to'g'ri bashorat qilingan holatlar soni bo'yicha aniqlandi. Ijobiy bashoratli qiymat aniqlikni ifodalaydi. To'g'rilik ijobiy bo'lgan namunalar soniga va ijobiy deb taxmin qilinganlarga mos ravishda aniqlandi. F1-aniqlikning garmonik o'rtachasi asosida hisoblab chiqilgan. Shunga ko'ra, haqiqiy ijobiy ko'rsatkich deb hisoblangan namunalar umumiy sonidan ijobiy bo'lishi bashorat qilingan namunalar foizi.
Ehtimolligi: Viral Pnevmoniya Aniqliligi: 94.80329895019531
Sog'lom
Bakterial Pnevmomya|H
0 10 20 30 40 50 60 70 80 00
3-rasm.Tavsiya etilyotgan modelni testlash Tavsiya etilgan model uchun chalkashlik matritsasi 4-rasmda ko'rsatilgan bo'lib, WCNN modeli COVID-19, o'pka sili, sog'lom, bakterial va viral pnevmoniya kasalligiga eng yuqori nisbati bo'lgan o'pka kasalliklarini muvaffaqiyatli tasniflashi mumkinligini ko 'rsatadi.
APRIL 27-28, 2023
Chalka^hlik inatritsasi
Baktet ail pnevmooiya 1 0 0 36
Coiid-li» 0 ^ 17 0
Sog'loua 1 1 0 16
Sil D 1 0 BB 0
Viral pnevmoniya - 42
=1
Basborat
4-rasm. Chalkashlik matritsasi Ushbu ishda VKNT yondashuvidan foydalangan holda COVID-19, o'pka sili, sog'lom, bakterial va viral pnevmoniyaning 5 ta sinfini birlashtirish va tasniflash uchun ko'p sinfli chuqur o'rganish tasniflash modeli ishlatilgan. Modelning arxitekturasi xususiyatlarni ajratib olish uchun VKNT va tasniflash uchun to'liq bog'langan tarmoqqa asoslangan edi.
Taklif etilgan modelni eslab qolish, aniqlik, F1 ball va aniqligi sinovdan o'tkazildi. 96,42% aniqlik bilan qoniqarli tasniflash ko'rsatkichlarini ta'minlaganligini ko'rsatdi.
Rentgen tasvirlari asosida VKNT turli xil o'pkas kasalliklarini 96,42% aniqlik, 95,62% eslab qolish, 98,32% aniqlik, 97,68% F1 ball bilan aniqlay oladi. Bizning chuqur o'rganish modelimiz KQR tasvirlaridan o'pka kasalliklarini tashxislash, bemorning natijalarini yaxshilash va hayotni saqlab qolishida o'z hissani qo'shishiga umid qilib qolamiz. Xulosa
Ushbu tadqiqotda chuqur o'rganish arxitekturasiga asoslangan ko'p sinfli o'pka kasalliklari tasnifi ishlab chiqilgan va KQR tasvirlari yordamida COVID-19, o'pka sili, sog'lom, bakterial va viral pnevmoniya tasnifi uchun baholangan. Tasniflash nuqtai nazaridan, oldindan o'rgatilgan model, xususiyatlarni ajratib olish uchun VKNT va tasniflash bosqichida to'liq bog'langan tarmoq sifatida uchta konvolyutsion neyron tarmog'i (KNT) taqdim etildi. Eksperimental natijalar shuni ko'rsatdiki, biz taklif qilgan VKNT 96,42% aniqlik bilan boshqa mavjud ishlardan ustundir.
REFERENCES
1. S.Gunasekaran, S.Rajan and others, Wavelet Based CNN for Diagnosis of COVID 19 using Chest X Ray, ICCSSS 2020 IOP Conf. Series: Materials Science and Engineering 1084 (2021) 012015 doi:10.1088/1757-899X/1084/1/012015
2. S. Sathitratanacheewin, P. Sunanta, K. Pongpirul, Deep learning for automated classification of tuberculosis-related chest X-Ray: dataset distribution shift limits diagnostic performance generalizability, Heliyon 6 (8) (2020) e04614.
APRIL 27-28, 2023
3. X.W. Gao, C. James-Reynolds, E. Currie, Analysis of tuberculosis severity levels from CT pulmonary images based on enhanced residual deep learning architecture, Neurocomputing 392 (2020) 233-244, https://doi.org/10.1016/]. neucom.2018.12.086.
4. M. Rahimzadeh, A. Attar, A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2, Inform. Med. Unlocked19 (2020), https://doi.org/10.1016/j.imu.2020.100360
