(044) 592 13 36
info@x-ray.com.ua

Система автоматизированного обнаружения поможет считывать рентгеновские снимки грудной клетки

Система автоматизированного обнаружения (САПР), разработанная с использованием технологии углубленного обучения, может выполнять первоначальный анализ рентгенограмм грудной клетки, помогая рентгенологам определять приоритетность интерпретации случаев, которые с большей вероятностью могут быть аномальными. 

Команда из исследовательского института La Fe в Валенсии (Испания) и разработчик программного обеспечения Quibim разработали САПР-систему на основе сверхточных нейронных сетей (CNN). Алгоритм может воспроизводить более 80% чувствительности для выявления нарушений на рентгенограмме грудной клетки.

 

Требовательная задача

Чтение рентгеновских снимков грудной клетки является сложной задачей для радиологов и может быть очень важным лечебно-диагностическим методом. В результате группа захотела создать инструмент для скрининга, который может предусматривать предварительные исследования и назначать приоритет анормальным экзаменам – это облегчает рабочий процесс для чтения этих исследований.

Для достижения этой цели они намеревались разработать и разработать глубокую систему САПР для обучения, которая могла бы автоматически выполнять первоначальный скрининг как нормальных, так и патологичных рентгенограмм грудной клетки, согласно Fos-Guarinos. Они также хотели изучить потенциал CNN для выявления патологий грудной клетки.

На первом этапе разработки САПР исследователи подготовили радиологическую базу данных, которую они будут использовать для обучения и тестирования программного обеспечения. Они собрали множество из 2255 послеоперационных рентгенограмм грудной клетки DICOM из рентгенографического набора грудной клетки Университета Индианы, который состоял из 868 патологических обследований и 1387 нормальных исследований.

Аномальные случаи включали 412 обследований с непрозрачностью, 331 с кардиомегалией, 293 с ателектазом, 253 с узелком и 144 с плевральным выпотом. Программное обеспечение было обучено 1800 из 2255 изображений (80%); Остальные 455 изображений были использованы для тестирования и оценки системы.

Чтобы извлечь изображения из различных групп изображений, исследователи применили сверхточную нейронную сеть, которая была предварительно определена в базе данных изображений. Они использовали ускоритель графического процессора Tesla K40 от Nvidia для оптимизации производительности вычислений.

 

Хорошая производительность

При тестировании система работала хорошо, получая чувствительность 83% и специфичность 80% для аномальных случаев.