СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ДИАГНОСТИКИ COVID-19 ПО КТ-СНИМКАМ
Ключевые слова:
повреждение легких, глубокая нейронная сеть, искусственный интеллект, пакетная нормализация, дополнение данных.Аннотация
Пандемия SARS-CoV-2 по-прежнему остается актуальной для Кыргызстана. Поэтому в статье разработана система искусственного интеллекта на основе глубоких сверточных нейронных сетей для диагностики COVID-19 на основе анализа КТ-снимков. Для сегментации КТ-снимки разбиваются на двухмерные изображения, которые обрабатываются с помощью двух модифицированных сетей U-Net. Одна сеть определяет поврежденные области легких на слое КТ-снимка, а другая – область снимка, соответствующую легким. Затем находится степень повреждения легких как отношение площади поврежденной области легких к площади легких на срезе. Окончательная степень повреждения легких определяется как среднее значение степени повреждения легких по всем срезам. Разработанная система искусственного интеллекта реализует возможность одновременной постановки диагноза и сегментации КТ-снимков с целью определения степени повреждения легких с большей точностью, чем получено ранее в других работах.
Библиографические ссылки
Макиев, В. Г. Использование искусственного интеллекта для диагностики COVID-19 по данным компьютерной томографии / В. Г. Макиев, Г. Г. Макиев // Актуальные научные исследования в современном мире. – 2020. – № 12-2(68). – С. 73–81. – EDN JEIJBY.
https://cabar.asia/ru/lokdauna-iz-za-covid-19-ne-budet-dlya-kyrgyzstana-eto-vopros-vyzhivaniya (дата обращения: 17.10.2022)
https://github.com/CSSEGISandData/COVID-19 (дата обращения: 25.10.2022)
https://www.ferra.ru/news/techlife/letalnost-80-sozdannyi-v-laboratorii-shtamm-koronavirusa-vyzval-opaseniya-u-pravitelstva-19-10-2022.htm?utm_source=yxnews&utm_medium=mobile (дата обращения: 23.10.2022)
https://translate.google.com/website?sl=en&tl=ru&hl=ru&client=webapp&u=https://doi.org/10.1148/radiol.220533 (дата обращения: 07.09.2022)
Мареев В.Ю. Как оценивать результаты лечения больных с новой коронавирусной инфекцией (COVID-19)? Шкала оценки клинического состояния (ШОКС–КОВИД). / В.Ю.Мареев, Ю.Л.Беграмбекова, Ю.В. Мареев // Кардиология. – 2020 – 60(11) – С. 35–41. https://doi.org/10.18087/cardio.2020.11.n1439
https://arxiv.org/pdf/1505.04597.pdf (дата обращения: 07.09.2022)
Верзунов, С. Н. Диагностика различных видов пневмонии по рентгеновским снимкам грудной клетки / С. Н. Верзунов // Проблемы автоматики и управления. – 2022. – № 1(43). – С. 84–94. – EDN KKCSBK.
Верзунов, С. Н. Сравнение глубоких нейронных сетей на основе различных предварительно обученных CNN для диагностики COVID-19 по рентгеновским снимкам / С. Н. Верзунов, Х. А. Раимжанов // Проблемы автоматики и управления. – 2021. - № 1(40). - С. 12-25. EDN: RVDXSO
Classification of Positive COVID-19 CT Scans Using Deep Learning. Khan, Muhammad Attique, Hussain, Nazar, Majid, Abdul, Alhaisoni, Majed, Syed Ahmad Chan, Bukhari, Kadry, Seifedine, Nam, Yunyoung, Yu-Dong, Zhang. // Computers, Materials, &Continua ; 66(3):2923-2938, 2021.
https://core.ac.uk/download/pdf/53095817.pdf (17.10.2022)
https://arxiv.org/pdf/2208.02910.pdf (дата обращения: 17.10.2022)
Ö. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox, and O. Ronneberger, “3D U-net: Learning dense volumetric segmentation from sparse annotation,” Lect. NotesComput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9901 LNCS, pp. 424–432, 2016, doi: 10.1007/978-3-319-46723-8_49/TABLES/3.
Fung, D.L.X., Liu, Q., Zammit, J. et al. Self-supervised deep learning model for COVID-19 lung CT image segmentation highlighting putative causal relationship among age, underlying disease and COVID-19. J TranslMed 19, 318 (2021). https://doi.org/10.1186/s12967-021-02992-2
https://www.kaggle.com/datasets/andrewmvd/covid19-ct-scans (11.05.2022).
Tang J, Mat Isa N. Adaptive image enhancement based on bi-histogram equalization with a clipping limit//Comput. Electr. Eng. 2014; 40:86 –103. doi:10.1016/j.compeleceng.2014.05.017
Верзунов, С. Н. Способ оптимизации конструктивных параметров ячеек-резонаторов микрополосковых антенн на основе интеллектуального анализа данных / С. Н. Верзунов // Электротехнические системы и комплексы. – 2022. – № 3(56). – С. 54-64. – DOI 10.18503/2311-8318-2022-3(56)-54-64. – EDN GBBNJP.
Загрузки
Опубликован
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2022 Сергей Николаевич Верзунов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
