CC BY
36УДК 616-07
ПОИСК ПУТЕЙ РАЗРАБОТКИ СИСТЕМЫ СОДЕЙСТВИЯ ПРИНЯТИЮ РЕШЕНИЯ В МАММОГРАФИЧЕСКОЙ ДИАГНОСТИКЕ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
© 2019 К.М. Карюхина1, К.А. Ворновских2, У.В. Масликова3, А.А. Супильников2
:ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Самара 2Частное учреждение образовательная организация высшего образования «Медицинский университет «Реавиз», Самара ^Национальный медицинский исследовательский центр гематологии Министерства здравоохранения Российской Федерации, Москва
Рак молочной железы является весьма распространенным заболеванием. Главным принципом успешного лечения этого заболевания является раннее выявление изменений в тканях молочной железы, а основным методом диагностики является маммография. Чувствительность маммографии колеблется между приблизительно 70 % и 90 %, в зависимости от различных факторов. В последние десятилетия наблюдается растущий интерес к разработке и использованию методов обработки маммографических изображений с целью повышения точности диагностики рака молочной железы. В статье представлены характеристики различных способов повышения информативности маммографии.
Ключевые слова: рак молочной железы, маммография, нейронные сети.
Работа выполнена в рамках реализации проекта 13135ГУ/2018 от 23.05.2019 Фонда содействия инновациям
Введение. Одним из наиболее распространенных онкологических заболеваний среди женщин является рак молочной железы (РМЖ). Главным принципом успешного лечения является раннее выявление изменений в тканях молочной железы, а основным методом диагностики является маммография. Чувствительность маммографии колеблется между приблизительно 70 % и 90 %, в зависимости от различных факторов: имеют значение размер и расположение поражения, плотность ткани молочной железы, возраст пациента, качество снимка и способность интерпретации рентгенологов. С каждым годом заболеваемость РМЖ растет, в связи со старением населения и «омоложением» самого заболевания. Именно по этой причине количество скрининговых исследований увеличивается, что приводит к росту процента ошибок из-за большой нагрузки на врача-рентгенолога.
Рак молочной железы имеет наивысшую распространенность среди онкологических заболеваний женского населения [1]. В соответствии с [2], это также тип рака, который обеспечивает наиболее высокую летальность среди женщин. Наиболее известным методом профилактики рака молочной железы является ранняя диагностика, которая снижает уровень смертности и улучшает результаты лечения.
Одним из методов профилактики является маммографическое исследование. Результаты его анализируются специалистами (рентгенологами), т.е. врачами, способными диагностировать заболевания из образов. Этот шаг является чувствительным этапом, потому что один и тот же набор изображений можно интерпретировать по-разному в зависимости от эксперта.
Исследование является повторяющейся задачей, которая требует высокого уровня внимания к мельчайшим деталям.
Чувствительность маммографии колеблется между приблизительно 70 % и 90 %, в зависимости от следующих факторов: размер и расположение поражения, плотность ткани молочной железы, возраст пациента, качество изображения и способность интерпретации рентгенологов [3]. Единственный способ абсолютно точно поставить диагноз - биопсия.
По этим причинам в последние десятилетия наблюдается растущий интерес к разработке и использованию методов обработки маммографических изображений с основными целями повышения точности диагностики и предоставления второго мнения врачей. Эти методы используются для разработки систем автоматизированного обнаружения/автоматизированной диагностики.
Технические подходы к распознаванию изменений на маммограммах. В последние десятилетия многие исследования были сосредоточены на раннем выявлении или диагностике рака молочной железы с помощью цифровых маммограмм с использованием обработки изображений и методах распознавания образов. Элементы текстуры извлекают с помощью статистических показателей (например, дисперсия, стандартное отклонение, среднее, режим, охват и гладкость) и средней интенсивности пикселей в горизонтальном и вертикальном направлениях (т.е. дисперсия, стандартное отклонение, среднее, режим, досягаемости и гладкости). Классификация была проведена с помощью 3-слойной нейронной сети. Максимальная точность достигала 92 % и 98 % с использованием статистических характеристик и средней интенсивности пикселей соответственно.
Сверточные нейронные сети изучают дискриминационные функции автоматически, их архитектура особенно адаптирована, чтобы воспользоваться 2D входным изображением, но что более важно одна из них наиболее впечатляющих характеристик является то, что они на удивление хорошо обобщают другие задачи распознавания. Для того чтобы тренировать глубокие CNNs, нам нужны большие аннотированные наборы данных, которые отсутствуют в медицинской области, особенно для рака молочной железы. Кроме того, обучение CNN с нуля требует высокой вычислительной мощности, больших ресурсов памяти и времени, и с небольшим объемом данных при условии, что мы можем легко начать переустановки. Один из способов преодолеть это заключается в использовании передачи обучения [19] из природных изображений (например, ImageNet, который имеет более чем 1 200 000 изображений, классифицированных под 1000 классов) и выполнить тонкую настройку, как предлагается в [14].
Передача обучения обычно используется в приложениях глубокого обучения. Он был очень эффективен в медицинском домене [13, 14], когда объем данных, как правило, ограничен. Использование переноса обучения природными изображениями для рака молочной железы маммографии изображения еще не полностью исследованы в литературе. И единственная работа [16], которая использует передачу обучения для классификации поражений груди, использует малые размеры наборов данных и глубокие свертки нейронной сети CNN-F [20] в качестве модели. Мы предлагаем выполнить обучение на различных других наборах данных, используя некоторые из последних, хорошо спроектированы и глубокие архитектуры CNN.
Цифровая база данных скрининговой маммографии (ДДСМ) является общедоступной и содержит более 2600 случаев, отсортированных по степени тяжести полученных результатов.
В целях повышения производительности системы САПР предварительная обработка является обязательным шагом при построении набора данных. В данном проекте предлагается использовать фиксированный размер зон интереса (ROIs).
Извлечение ROI: мы используем фон, предоставленный с каждым набором данных для обнаружения и кадрирования интересующих регионов (ROIs) из изображений. Местонахождение и границы поражений выделяются для обучения специалистами по визуализации. Мы используем автоматическое выделение, сегментируем зону ограничивающим прямоугольником. Мы исправляем входной размер ROIs до r*r пикселей. Затем мы перемасштабируем выходное изображение, когда поражение находится рядом с краями, а ширина или высота обрезанного ROI меньше r.
Выполняем алгоритм глобальной нормализации контрастности (GCN): нормализация, также называемая нулевым центрированием, является стандартным шагом. Алгоритм пытается справиться с внешними источниками данных, разными уровнями освещенности, спецификой различных сканеров, используемых в процессе оцифровки, и как это может повлиять на значения пикселов. Глобальная нормализация контрастности вычисляет среднее значение интенсивности для каждого изображения, а затем вычитает его из каждого пикселя.
Модели глубокого обучения лучше работают, когда у нас есть большие наборы данных [25]. Один достаточно популярный способ сделать наши наборы данных больше - увеличение или дрожание. Увеличение данных может увеличить размер набора данных до 10 раз больше исходного одного или более, что помогает предотвратить переуобучение при обучении на очень малом массиве данных.
Применение шума и преобразований к изображениям поражений имеет смысл, так как таким образом измененные данные, скорее всего, будут найдены в различных размерах и ориентации. Изображения были «дополнены», используя серию случайных трансформаций. Мы использовали сдвиги ширины и высоты с долей 0,25 от общей ширины или высоты изображения, диапазон случайных вращений 0-40°. Диапазон сдвига 0,5 и диапазон масштабирования между [0,5-1,5].
В последние несколько лет CNNs продемонстрировали впечатляющий рост производительности, они росли все глубже и глубже; с ультрасовременными сетями, идущими от 7 слоев до 1000 слоев. Для поиска патологии на маммограммах используется несколько стандартных решений, хорошо себя зарекомендовавших.
VGG16: существует несколько версий очень глубокой сверточной сети (VGG) [21], опубликованной исследователями из Оксфордского университета, VGG16 является одной из их лучших сетей и хорошо известна своей простотой. Архитектура этой сети является глубокой и простой, она в основном состоит из чередования между слоями свертки и отсева слоев. VGG был первым, чтобы использовать несколько небольших 3*3 фильтров в каждом слое свертки и объединить их в последовательности, чтобы эмулировать эффект более крупных восприимчивых полей. Хотя сеть проста в своей архитектуре, это очень затратно с точки зрения памяти и вычислительных затрат, так как экспоненциальное увеличение ядра может привести к более длительной затрате вычислительного времени и модели большего размера.
Реализованная архитектура VGG16 состоит из 13 вычислительных слоев, 5 слоев пула и достигает 9,9 % ошибки Top-5 на ImageNet.
ResNet50 является одной из моделей, предложенных в глубоком остаточном обучении для распознавания образов [22] исследовательской группой Microsoft. Авторы придумали простую и элегантную идею. Они берут стандартные глубокие нейросети и добавляют ярлык
соединения, которые обходят несколько слоев свертки в то время. Ярлыки создают остаточные блоки, в которых выходные данные слоев свертки добавляются во входной блок. Модель ResNet50 состоит из 50 слоев аналогичных блоков с ярлыками соединений. Эти соединения держат вычисление низко и в то же самое время обеспечивают богатые характеристики комбинации.
Используемая модель ResNet50 имеет один слой свертки, за которым следует слой нормализации пакетной обработки, и имеет два слоя пула в виде анимации, которые в общей сложности имеют 16 остаточных модулей. Чередуются два типа остаточных модулей, один из которых имеет 4 свертки, а другой - 3 свертки, после чего каждый слой свертки сопровождается нормализацией партии. Остаточный блок с 4 слоями свертки является первым используемым, за которым следуют по крайней мере два или более остаточных блоков с 3 свертки слоев и так далее. Реализованная модель ResNet50 достигает ошибки 7,8 % Top-5 на IMA-Гене.
Исследовательская группа Google была в основном сосредоточена на снижении вычислительной нагрузки CNNs при сохранении того же уровня производительности. Они представили новый начальный модуль в 4 параллельных треда 1*1,3*3 и 5*5 фильтров свертки. И из-за параллельной реализации сети, в дополнение к слоям выборки в каждом блоке, время выполнения модели VGG или Resnet.
Сеть была построена с некоторыми новыми принципами проектирования, например, использованием 3*3 свертки вместо 5*5 или 7*7 в начальной модули, а также расширение ширины на каждом слое, чтобы увеличить функции для следующего слоя, а также цель построения сети с расчетным бюджетом, сбалансированным между его глубиной и шириной.
Используемые начальные модули содержат разное количество контуров и слоев свертки. Авторы не определили «начальную ячейку», а затем многократно применили ее для уменьшения входных данных. Таким образом, начальный модуль используется, из 4, 6, 7, 9 или 10 свертки слоев пакетной нормализации и один пул слоя. Модель, разработанная компанией Chollet [30], достигает 7,8 % в качестве ошибки Top-5 на ImageNet, как и ResNet50.
Модели CNN строятся по-разному, но одна и та же процедура применяется ко всем из
них:
• Для начала мы сохранили оригинальные архитектуры сетей вплоть до полностью подключенных слоев.
• Исходные полностью подключенные слои были построены для набора данных ImageNet с 1000 выходами для категорий классов 1000. Мы перенесли эти последние полностью подключенные слои и построили нашу собственную полностью связанную модель, поверх свертки части моделей, подходящую для нашего количества классов (т.е. 2 класса «доброкачественные» и «злокачественные»).
Новые индивидуальные модели (VGG16, ResNet50, начальный v3) будут использоваться для обучения на разных наборах данных при принятии различных стратегий подготовки. Сначала мы проводим исследование, где мы инициализируем наши модели случайным образом. Затем мы используем модели в качестве фиксированных экстракторов объектов и используем слой Softmax на вершине как классификатор. Наконец, мы принимаем стратегию точной настройки и изучаем влияние фракции на окончательные результаты.
Таким образом, создание моделей распознавания патологических образований молочной железы с использованием свёрточных нейронных сетей является перспективой и достижимой задачей.
Характер наших данных, которые очень отличаются по содержанию по сравнению с оригинальным набором данных (ImageNet) позволил принять стратегию точной настройки.
Обучение новой полностью подключенной модели перед выполнением тонкой настройки имеет важное значение для того, чтобы начать с должным образом подготовленных весов и не разрушать извлеченные свертки базы. Опытные результаты показали улучшение 5 % до 10 % при обучении вновь добавленных полностью подключенных слоев, прежде чем продолжить с тонкой настройки.
Например, в 1 тонкой настройке (1FT) мы заморозили все слои до последнего блока свертки. Мы видим, что точность увеличилась, когда мы пошли от 0 тонкой настройки до 1 тонкой настройки, то от 1 тонкой настройки до 2 тонкой настройки. Однако, как только количество блоков свертки превысило 2 (т.е. 3 блока и больше), точность начала падать.
Мы также можем видеть, что 2 тонкая настройка (2FT) является ясным выбором, когда речь заходит об оптимальном количестве блоков свертки тонкой настройки. Предположение здесь заключается в том, что при использовании предварительно обученных весов является лучшим вариантом. Таким образом, возобновление обратного распространения на последних уровнях свертки может привести к повышению производительности, поскольку мы начнем изучать функции, которые больше подходят для нашего набора данных.
Тем не менее, тонкая настройка слишком большого количества слоев приводит к худшим результатам.
Передача обучения с использованием предварительно подготовленных весов от ImageNet при принятии 2 тонкой настройки стратегии (2FT), безусловно, является лучшей настройкой для всех наших CNNs.
Мы используем реализацию наших моделей для обучения на наборах данных. Кроме того, мы обучаем CNNs также на объединенном наборе данных (MD) и вычисляем среднее значение точности, стандартное отклонение и время, затраченное на каждый случай.
По сути, глубина сети влияет на ее производительность, делая обучение проще. Когда дело доходит до вычислительного времени начального v3 и ResNet50 являются гораздо быстрее, чем VGG16. Хотя обе сети глубже, чем последняя, но все же они имеют более низкую сложность, так как они не складываются последовательно. Результаты, полученные в объединенном наборе данных (MD), подтверждают, что глубокие учебные сети лучше, когда они предоставлены с больше данных. Производительность сетей на тестовый набор от груди по сравнению с большим набором данных, например DDSM или MD показывает, что в то время как архитектуре и глубина модели CNN используется имеет важное значение, что является более важным является качество и количество обучающих данных.
Мы выполнили приумножение данных, но этого было недостаточно, т.к. увеличенные образцы по-прежнему были очень коррелированы. Следовательно, нам нужно было контролировать производительность каждой модели, так как мы не хотим, чтобы наши модели начали учиться слишком хорошо, до такой степени, что они не могут выполнять, а также на никогда не видел данных.
Подмножество содержит образы, которые ранее не были замечены нашим CNN, поэтому он использовался в качестве тестового набора. Мы использовали те же этапы предварительной обработки на новых изображениях. Мы измерили производительность на этом наборе с помощью общей точности, характеристик кривой (ROC) и площади под кривой (КАС), поскольку они являются наиболее принятыми мерами, когда дело доходит до оценки систем классификации.
Работа в Карнейро и др. [16], в котором они впервые обучили отдельную модель CNN для каждого вида рака молочной железы.
Исполнение проекта. В рамках исполнения проекта нами разработан код программы для ЭВМ на языке С++, с использованием библиотек ITK, VTK. Программа осуществляет подключение к средствам просмотра медицинских изображений по протоколам DICOM/WADO, получает файлы медицинских изображений маммографической модальности. В режиме просмотра данных DICOM программа позволяет выполнять редактирование серии изображения и его анонимизацию. Таким образом, программа позволяет осуществлять передачу сегментированных медицинских изображений на сервер. Подготовлены материалы заявки для государственной регистрации программы для ЭВМ на указанную программу.
Серверное программное обеспечение подготовлено на языке программирования Java, осуществляет прием фрагментов медицинских изображений, их сохранение. Реализована передача данных во фреймворк глубокого обучения Apache Spark, подготовлены средства мониторинга соединения с хостами передачи данных и нейросетью.
Развернута 12-слойная искусственная нейронная сеть в интерфейсе Apache Spark (версия PySpark), начато выполнение обучения нейросети сегментированным маммограммам. Мы комбинировали Spark InceptionV3 (сверточную нейросеть, обученную на классификацию изображений) и логистическую регрессию (метод статистики, направленный на анализ независимых свойств с целью определения исходов). DeepImageFeaturizer автоматически анализирует последний слой в предобученной нейросети и использует в выводе предшествующие слои, обработанные методами логистической регрессии. На данном этапе исполнения работы выявлена работоспособность полученной системы и принципиальное распознавание узловых образований.
Основными функциями разработанного ПО являются получение, обработка и хранение информации от медицинского диагностического оборудования по протоколу DICOM 3.0, от медицинских информационных систем в формате HL7 версии 2.3, получение изображений по протоколу TWAIN 2.2, предоставление по запросу исследовательских данных, предоставление инструментов пользователям для поиска, просмотра и обработки исследовательских данных.
Основными компонентами программы являются:
• плагин сохранения изображений;
• плагин архивации изображений;
• плагин интеграции сохраненных данных;
• плагин документирования результатов обследования;
• плагин представления 2D изображения;
• модуль загрузки сегментированных данных.
Программный компонент интегрирует все составные части и является связующим звеном при взаимодействии всех модулей, представляя из себя универсальную распределенную платформу ввода-вывода.
В рамках лечебно-профилактического учреждения разработанная программа, являясь PACS-системой с возможностью просмотра изображений, интегрируется со следующими системами:
- Медицинское диагностическое оборудование (МДО). Интеграция с МДО осуществляется путем взаимодействия интегрируемых узлов по протоколу DICOM 3.0. МДО является
первичным источником исследовательских данных. МДО имеет доступ к рабочим спискам запланированных исследований и предоставляет изображения по выполненным исследованиям.
- Медицинские информационные системы (МИС). Интеграция осуществляется путем двустороннего обмена сообщениями в формате HL7.
- Внешние PACS-системы. Интеграция с внешними PACS/RIS системами осуществляется по протоколам DICOM и HL7. Цель интеграции - обмен изображениями и протоколами по выполненным исследованиям.
Важным компонентом разработанной программы является система документирования данных маммографии по стандартам Bi-RADs.
В структуру отчета входят следующие значения: показания для осмотра, краткое описание общего вида молочной железы, четкое описание любых важных выводов, сравнение с предыдущим исследованием, оценка результатов, управление деятельностью.
При помощи стенда тестирования, развёрнутого на виртуальной машине, в рамках вычислительного кластера проведено нагрузочное тестирование развернутой инфраструктуры. Показано сохранение производительности при нагрузке в условиях 10-100 000 обращений в секунду при нагрузке трафика до 500 Мб/мин.
Заключение. В ходе реализации проекта разработано программное обеспечение для передачи данных маммограмм на сервер. Выполнено тестирование и отладка исходного кода программы для ЭВМ, подготовлены материалы для государственной регистрации программы для ЭВМ. Разработанное программное обеспечение на языке программирования С++, осуществляет подключение к программе просмотра данных DICOM, сегментацию патологического образования, переконвертацию выделенного фрагмента по маске, соединение с сервером, осуществление процедуры C-GET, SEND протокола DICOM, а также передачу текстового сообщения описания патологии по протоколу HTTP. Разработано программное обеспечение серверной обработки и хранения маммографических изображений. Выполнено тестирование и отладка исходного кода программы для ЭВМ, подготовлены материалы для регистрации программы для ЭВМ. Серверное программное обеспечение подготовлено на языке программирования Java, осуществляет прием фрагментов медицинских изобрбажений, их сохранение. Реализована передача данных во фреймворк глубокого обучения Apache Spark, подготовлены средства мониторинга соединения с хостами передачи данных и нейросетью. Создана искусственная нейронная сеть для распознавания маммограмм. Развернута 12-слойная искусственная нейронная сеть в интерфейсе Apache Spark, начато выполнение обучения нейросети сегментированным маммограммам. Реализовано исследование стабильности работы разработанной инфраструктуры передачи маммограмм. Проведено нагрузочное тестирование развернутой инфраструктуры. Показано сохранение производительности при нагрузке в условиях 10-100 000 обращений в секунду при нагрузке трафика до 500 Мб/мин.
СПИСОК ЛИТЕРАТУРЫ
1 Siegel R.L., Miller K.D., Jemal A., Cancer Stat., CA. Cancer J. Clin. 67 (2017) 7-30, doi:10.3322/caac.21387.
2 I. Schreer, Dense breast tissue as an important risk factor for breast cancer and implications for early detection, Breast Care 4 (2009) 89-92, doi:10.1159/ 000211954.
3 Kerlikowske K., Carney P.A., Geller B. et al. Performance of screening mammography among women with and without a first-degree relative with breast cancer, Ann. Intern. Med. 133 (2000) 855-863.
4 Berlin L. Radiologic errors, past, present and future, Diagnosis 1 (2014) 79-84, doi:10.1515/dx-2013-0012.
5 Whang J.S., Baker S.R., Patel R., Luk L., Castro A. The causes of medical mal-practice suits against radiologists in the United States, Radiology 266 (2013) 548-554, doi:10.1148/radiol.12111119.
6 Sickles E.A. Periodic mammographic follow-up of probably benign lesions: results in 3,184 consecutive cases, Radiology 179 (1991) 463-468, doi:10.1148/ radiology.179.2.2014293.
7 Bengio Y. Learning deep architectures for AI, found, Trends® Mach. Learn 2 (2009) 1-127, doi:10.1561/2200000006.
8 Bengio Y., Courville, A. Vincent P. Representation learning: a review and new perspectives, IEEE Trans. Pattern Anal. Mach. Intell. 35 (2013) 1798-1828, doi:10.1109/TPAMI.2013.50.
9 Schmidhuber J. Deep learning in neural networks: an overview, Neural Netw. 61 (2015) 85-117, doi:10.1016/j.neunet.2014.09.003.
10 LeCun Y., Bengio Y., Hinton G. Deep learning, Nature 521 (2015) 436-444, doi:10.1038/nature14539.
11 LeCun Y., Kavukcuoglu K., Farabet C. Convolutional networks and applications in vision, in: Proc. 2010 IEEE Int. Symp. Circuits Syst., 2010, pp. 253-256, doi:10.1109/ISCAS.2010.5537907.
12 Ciompi F., B. de Hoop, S.J. van Riel et al. Automatic classification of pulmonary peri-fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-the-box, Med. Image Anal. 26 (2015) 195-202, doi:10.1016/j.media.2015.08.001.
13 Chen H., Ni D., Qin J. et al. Standard plane local-ization in fetal ultrasound via domain transferred deep neural networks, IEEE
14 Biomed J. Health Inf. 19 (2015) 1627-1636, doi:10.1109/JBHI.2015.2425041.
15 Shin H.C., Roth H.R., Gao M. et al. Deep convolutional neural networks for computer-aided de-tection: CNN architectures, dataset characteristics and transfer learning, IEEE Trans. Med. Imaging 35 (2016) 1285-1298, doi:10.1109/TMI.2016.2528162.
16 Chougrad H. et al. / Computer Methods and Programs in Biomedicine 157 (2018) 19-30.
17 W. Peng, R.V. Mayorga, E.M.A. Hussein, An automated confirmatory system for analysis of mammograms, Com-put. Methods Programs Biomed. 125 (2016) 134-144, doi:10.1016/j.cmpb.2015.09.019.
18 Carneiro G., Nascimento, J. Bradley A.P. Unregistered multiview mammogram analysis with pre-trained deep learning models, in: Int. Conf. Med. Image Com-put. Comput.-Assist. Interv., Springer, 2015, pp. 652-660. http://link.springer. com/chapter/10.1007/978-3-319-24574-4_78.
19 J. Arevalo, F.A. González, R. Ramos-Pollán, J.L. Oliveira, M.A. Guevara Lopez, Representation learning for mammography mass lesion classification with con-volutional neural networks, Comput. Methods Programs Biomed. 127 (2016) 248-257, doi:10.1016/j.cmpb.2015.12.014.
20 Jiao Z., Gao X., Wang Y., Li J. A deep feature based framework for breast masses classification, Neurocomputing 197 (2016) 221-231, doi:10.1016/j. neucom.2016.02.060.
21 Oquab M., Bottou L., Laptev I., Sivic J. Learning and transferring mid-level image representations using convolutional neural networks, in: Proc. IEEE Conf. Comput. Vis. Pattern Recognit, 2014, pp. 1717-1724.
22 Chatfield K., Simonyan K., Vedaldi A., Zisserman A. Return of the devil in the details: delving deep into convolutional nets, ArXiv14053531 Cs. (2014). http: //arxiv.org/abs/1405.3531 (accessed June 2, 2017).
23 Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition, ArXiv14091556 Cs. (2014). http://arxiv.org/abs/1409.1556 (accessed February 10, 2017).
24 He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition, in: Proc. IEEE Conf. Comput. Vis. Pattern Recognit., 2016, pp. 770-778.
25 Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the incep-tion architecture for computer vision, in: Proc. IEEE Conf. Comput. Vis.Pattern Recognit., 2016, pp. 2818-2826.
26 Deng J., Dong, W. Socher R., L.J. Li, K. Li, L. Fei-Fei, ImageNet: a large-scale hierarchical image database, in: 2009 IEEE Conf. Comput. Vis. Pattern Recognit., 2009, pp. 248-255, doi:10.1109/CVPR.2009.5206848.
27 Halevy A., Norvig P., Pereira F. The unreasonable effectiveness of data, IEEE Intell. Syst. 24 (2009) 8-12, doi: 10.1109/MIS.2009.36.
28 Heath M., Bowyer K., Kopans D., Moore R., Kegelmeyer W.P. The digital database for screening mammography, in: Proc. 5th Int. Workshop Digit. Mammogr., Medical Physics Publishing, 2000, pp. 212-218.
29 Lopez M.G., Posada N., Moura D.C. et al. BCDR: a breast cancer digital repository, 15th Int. Conf. Exp. Mech., 2012 http://paginas.fe.up.pt/clme/ icem15/ICEM15_CD/data/papers/3004.pdf accessed January 27, 2017.
30 Moreira I.C., Amaral I., Domingues I. et al. INbreast: toward a full-field digital mammographic database, Acad. Radiol 19 (2012) 236-248, doi:10.1016/j.acra.2011.09.014.
31 Wong S.C., Gatt, A. Stamatescu V., McDonnell M.D. Understanding data aug-mentation for classification: when to warp?, ArXiv160908764 Cs. (2016). http: //arxiv.org/abs/1609.08764.
32 Bengio Y. Deep learning of representations for unsupervised and trans-fer learning, in: PMLR, 2012, pp. 17-36. http://proceedings.mlr.press/v27/ bengio12a.html. (accessed October 19, 2017).
33 Lakkaraju H., Socher R., Manning C. Aspect specific sentiment analysis using hierarchical deep learning, NIPS Workshop Deep Learn. Represent. Learn., 2014.
34 Jaderberg M., Simonyan K., Zisserman A. Spatial transformer networks, in: Adv. Neural Inf. Process. Syst., 2015, pp. 2017-2025.
35 Yosinski J., Clune J., Bengio Y., Lipson H. How transferable are features in deep neural networks? in: Adv. Neural Inf. Process. Syst., 2014, pp. 3320-3328.
36 Bengio Y., Practical Recommendations for Gradient-Based Training of Deep Ar-chitectures, in: Neural Netw. Tricks Trade, Springer, Berlin, Heidelberg, 2012, pp. 437-478, doi:10.1007/978-3-642-35289-8_26.
37 Kingma D.P., Ba J.,Adam: a method for stochastic optimization, ArXiv14126980 Cs. (2014). http://arxiv.org/abs/1412.6980 (accessed January 31, 2017).
38 Srivastava N., Hinton G.E., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting, J. Mach. Learn. Res. 15 (2014) 1929-1958.
39 Theano Development Team, Theano: a python framework for fast computa-tion of mathematical expressions, ArXiv E-Prints. abs/1605.02688 (2016). http: //arxiv.org/abs/1605.02688.
40 Suckling J et al. The mammographic image analysis society digital mammo-gram database exerpta medica, Int. Congr. Ser. 1069 (1994) 375-378.
41 Elmore J.G., Jackson S.L., Abraham L. et al. D.S.M. Buist, Variability in interpretive performance at screening mammogra-phy and radiologists' characteristics associated with accuracyl, Radiology 253 (2009) 641-651, doi: 10.1148/radiol.2533082308.
42 Joy J.E., Penhoet E.E., Petitti D.B., I. of M. (US) and N.R.C. (US) C. on N.A. to E.D. and D. of B., Cancer, Benefits and Limitations of Mammography, National Academies Press, US, 2005 https://www.ncbi.nlm.nih.gov/books/NBK22311/ ac-cessed June 8, 2017.
43 Berg W.A. et al. Detection of breast cancer with addition of annual screening ultrasound or a single screen-ing MRI to mammography in women with elevated breast cancer risk, JAMA J. Am. Med. Assoc. 307 (2012) 1394-1404, doi:10.1001/jama.2012.388.
44 Salem D.S., Kamal R.M., Mansour S.M., Salah L.A., Wessam R. Breast imaging in the young: the role of magnetic resonance imaging in breast cancer screen-ing, diagnosis and follow-up, J. Thorac. Dis. 5 (2013) S9-S18, doi:10.3978/j.issn. 2072-1439.2013.05.02.
Рукопись получена: 26 сентября 2019 г. Принята к публикации: 6 октября 2019 г.
