Застосування згорткових нейронних мереж для діагностики covid-19 на основі рентгенограм легень

Abstract

Об’єктом дослідження є процес класифікації рентгенограм легенів для діагностування COVID-19. Проведені досліджен-ня базуються на застосуванні глибоких згорткових нейронних мереж, що дають можливість зберегти просторову інформацію та аналізувати складні зображення запобігаючи затуханню градієнту. Розглянуто принцип роботи згорткових нейронних мереж та переваги їх використання у застосуванні до складних зображень, у порівнянні зі штучними нейронними мережами на базі бага-тошарового перцептрона. Головне припущення дослідження полягає в гіпотезі, що використання глибокої згорткової нейромережі для класифікації рентгенограм легень дозволить отримати результат достатньо високої точності при діагностуванні COVID-19 та надасть можливість автоматизувати процес діагностування. Розглянуто актуальність проблематики автоматизованого діагносту-вання COVID-19 на основі рентгенограм легенів. Проведено тренування високопродуктивних архітектур глибоких згорткових нейронних мереж, із застосуванням додаткових методів обробки зображень, для запобігання перенавчанню. Проведено порівняння результатів роботи нейронних мереж та наведено статистичну інформацію для оцінки якості їх роботи. Здійснено аналіз резуль-татів роботи штучної нейронної мережі, за допомогою розбиття зображення методом Лайма. Обґрунтовано доцільність та перспек-тивність застосування глибоких згорткових нейронних мереж для автоматизації діагностування COVID-19 на основі рентгенограм легенів. Проаналізовано розповсюджені помилки штучних нейронних мереж та можливі підходи до їх запобігання. Проаналізовано недоліки використання розглянутих підходів та складності, що можуть виникнути при автоматизації, за результатами запропонова-но можливі варіанти покращення якості роботи глибокої згорткової нейронної мережі.

The object of the study is the process of classification of lung radiographs for the diagnosis of COVID-19. The research is based on the use of deep convolutional neural networks, which make it possible to store spatial information and analyze complex images, prevent-ing the attenuation of the gradient. The principle of operation of convolutional neural networks and the advantages of their use in application to complex images, in comparison with artificial neural networks based on a multilayer perceptron are considered. The main assumption of the study is the hypothesis that the use of a deep convolutional neural network for the classification of radiographs of the lungs will obtain a high-accuracy result in the diagnosis of COVID-19 and will automate the diagnostic process. The urgency of the problem of automated diag-nosis of COVID-19 on the basis of lung radiographs is considered. Training of high-performance architectures of deep convolutional neural networks, with the use of additional methods of image processing to prevent retraining. The results of neural networks are compared and statistical information is given to assess the quality of their work. The analysis of the results of the artificial neural network, using image division by the Lyme method. The expediency and prospects of using deep convolutional artificial neural networks for automation of COVID-19 diagnosis on the basis of pulmonary radiographs are substantiated. Common errors of artificial neural networks and possible approaches to their prevention are analyzed. The disadvantages of using the considered approaches and the difficulties that may arise in automation are considered, according to the results, possible options for improving the quality of the deep convolutional neural network are proposed.