CC BY
11INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
ПОСТРОЕНИЕ СЕТИ CNN ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ ЭХОКАРДИОГРАММЫ S.B. Dovletova 1, T.Sh. Djurayev 2, N.S. Djurayeva 3
1 ТАТУ-БГУИР Кафедра информационно-компьютерных технологий и программирования, старший преподаватель
2 Студент Ташкентского финансового института
3 Магистр кафедры компьютерных систем ТАТУ
diurayevanigoraxon98@smail.com https://doi.org/10.5281/zenodo.7854422
Аннотация. В данной статье на основе статей, опубликованных в научных изданиях, создана база данных изображений эхокардиограмм, построена сеть CNN и на ее основе классифицированы заболевания ГКМП и ДКМП.
Ключевые слова: кардиомиопатия, эхокардиограмма, глубокое обучение, CNN.
За счет автоматизации или полуавтоматики эхокардиограммы можно повысить точность диагностики и улучшить качество медицинских услуг. Поэтому сегодня в этой области проводится множество научных исследований. В частности, разбивая область сердца на сегменты. Создавая его 3D-модель, определяя различные его параметры, проводится множество научных исследований. Поскольку эхокардиограмма состоит из изображений и видео, мы видим, что использование методов глубокого обучения было более эффективным, чем методы машинного обучения в этих анализах. Потому что системы CNN адаптированы для работы с изображениями и показали самые высокие результаты среди систем искусственного интеллекта. а при анализе видео часто используются методы использования CNN в сочетании с LSTM. Чтобы различить части сердца и уменьшить шум на изображении, было проведено множество научных исследований по использованию сетей GAN, нового типа CNN, и были достигнуты хорошие результаты. Однако полностью автоматизированные системы, позволяющие не только различать параметры сердца, но и выявлять заболевания, имеют ряд преимуществ, и потребность в таких системах в последние годы возрастает.
Сегодня CNN это алгоритм искусственного интеллекта, выполняющий задачи по работе с изображениями, их классификации, разрезанию, разделению на кадры с наивысшими результатами. В частности, в телемедицине сети CNN широко используются при анализе данных изображений, в том числе данных УЗИ, МРТ, МСКТ. Наиболее часто используемыми слоями в сетях CNN являются входной слой, слой свертки, слой пакетной нормализации, слой RELU, полностью подключенный, Softmax, выходной слой.
В данной работе для создания базы данных мы использовали видеоролики, опубликованные на интернет-сайтах. Прежде всего, мы собрали видео с эхокардиограммами ^M и ДКМП с надежных сайтов. Поскольку большинство этих видеороликов были образовательными, в них было много дополнительных кадров, на которых не была показана эхокардиограмма, дающая информацию об этих двух заболеваниях. По этой причине мы сократили временные интервалы эхокардиограммы из этих видеороликов, сделав этот временной интервал 2-5 секунд. В вырезанном видеофрагменте мы также удалили различные лишние символы, записи и информацию о
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
пациенте. После этого мы разделили видеофрагмент на кадры. Мы изменили размер разделенного кадра на 112x112. Здесь следует отметить, что в процессе удаления шума обрезанного видеокадра мы попытались обрезать изображение сердца в видео в форме квадрата. Потому что изменение размера изображения, обрезанного до квадратной формы, повлияет на качество информации. Этот эффект может не влиять на работу CNN на обычных изображениях, но он очень важен для изображений УЗИ, потому что форма и размер стенок сердца и желудочков на изображении сердца также изменяются, когда прямоугольное изображение квадратируется. Тем не менее, они являются наиболее важным фактором в постановке диагноза.
Таким образом была создана база из 15 000 изображений, полученную базу мы разделили на 2 части, для обучения и тестирования. Мы разделили их в соотношении 9:1. Мы сделали этот процесс вручную, а не автоматически. Потому что при автоматическом выполнении была вероятность того, что кадры, принадлежащие одному и тому же видео, попадут в обе папки, что приведет к неправильной оценке возможностей сети, то есть точность классификации будет выше, но сеть будет переоснащение.
В этой работе сеть CNN состоит из 16 слоев с использованием входного слоя, слоя свертки, слоя пакетной нормализации, слоя RELU, полностью подключенного, Softmax, выходного слоя. Для этого использовались специальные библиотеки программы Python 3.0. Параметры этих слоев приведены в таблице ниже.
Таблица 1
C^OH Параметр
Input (112, 112, 3)
Convolution Fs-(4,4), Fn-74, S-(2,2), P-(0,0)
Batch
Normalization
ReLu
Convolution Fs-(3,3), Fn-4, S-(1,1), P-(same)
Batch
Normalization
ReLu
Convolution Fs-(2,2), Fn-16, S-(2,2), P-(0,0)
Batch
Normalization
ReLu
0
Convolution Fs-(3,3), Fn-8, S-(2,2),
1 P-(0,0)
Batch
2 Normalization
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
3 ReLu
4 Convolution Fs-(2,2), Fn-2, S-(1,1), P-(same)
5 Batch Normalization
6 ReLu
7 Convolution Fs-(2,2), Fn-16, S-(2,2), P-(0,0)
8 Batch Normalization
9 ReLu
0 Fully Connected 2
1 Softmax
2 Classifation 2
Рисунок 1. Процесс обучения сети Для оптимизации сети использовался оптимизатор Adam. В данном случае показатель обучения был выбран равным 0,0001, значение шага 64 - 0,95, значение GradientDecayFactor - 0,95, значение L2Regularization - 0,001 и значение Epsilon - 0,001. Эти значения были показаны в статье для достижения максимальной производительности на основе нескольких экспериментов. Продолжительность обучения составила в общей сложности 15 эпох. Однако процесс обучения был остановлен в точке, где точность
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
классификации сети имела наибольшее значение, точнее, обучение было остановлено на 12-й эпохе. Процесс обучения представлен на рисунке 1.
Когда мы обучили сеть, точность классификации сети достигла 98,2%. После этого мы создали матрицу путаницы для расчета других параметров сети. На рисунке 2 показана матрица путаницы. С помощью матрицы путаницы определяли чувствительность, специфичность, F1-показатель.
Target Class
Рисунок 2. Confusion matrix
Таблица 2.
Значения статистических параметров, оценивающих точность сети
Dilated Hypertropic
Specifity 95,7 100
Sensitivity 100 95,7
Precision 97,1 100
F1-score 98.5 97.8
Accuracy 98.2 98.2
В данной работе была создана база изображений эхокардиограмм на основе видеороликов, собранных из надежных источников в сети Интернет, и на ее основе проведена классификация заболеваний ГКМП и ДКМП. Точность классификации достигла 98,2%.
REFERENCES
1. David Verhaert, Ruvin S. Gabriel, Douglas Johnston, Bruce W. Lytle, Milind Y. Desai, Allan L. Klein, Advances in cardiovascular imaging, J. Am. Heart Assoc. (2010).
2. J.D. Thomas, Z.B. Popovic, Assessment of left ventricular function by cardiac ultrasound, J. Am. Coll. Cardiol. 48 (10) (2006) 2012-2025.
3. R. Chacko, M. Singh, Sequential functional analysis of left ventricle from 2D-echocardiography images, Indian J. Exp. Biol. 52 (6) (2014) 630-636.
4. A. Mohanapreethi, Dr V. Srinivasa Raghavan, Performance evaluation of various filtering techniques for speckle suppression in ultrasound images, Int. J. Res. Advent Technol. 2 (4) (2014).
