Convolutional neural networks for early computer diagnosis of child dysplasia

Abstract

Проблемою ультразвукової діагностики дисплазії кульшового суглоба є брак досвіду лікаря в разі неправильної орієнтації кульшового суглоба та ультразвукової головки. Метою цього дослідження було оцінити здатність згорткової нейронної мережі (ЗНМ) класифікувати та розпізнавати ультразвукові зображення кульшового суглоба, отримані за правильного й неправильного положення головки ультразвукового датчика, під час комп’ютерної діагностики дисплазії в дітей. Для дослідження було обрано ЗНМ GoogleNet, SqueezeNet та AlexNet. Найоптимальнішим для цього завдання виявилося використання ЗНМ GoogleNet. У цій ЗНМ використано трансферне навчання. При цьому застосовано тонке налаштування мережі та донавчання на базі з 97 еталонів ультразвукових зображень кульшового суглоба. Використано зображення типу RGB 32 біт, 210 × 300 пікселів. Тонке налаштування виконано для нижніх шарів структури ЗНМ, у яких виділено 5 класів, відповідно 4 класи типів дисплазії кульшового суглоба за Графом і тип ERROR — ультразвукове зображення, де положення головки ультразвукового датчика та кульшового суглоба в ультразвуковій діагностиці є неправильною орієнтацією. Виявлено, що достовірність навчання й тестування найвища для мережі GoogleNet: під час класифікації в навчальній групі точність сягає 100 %, під час класифікації в тестовій групі — 84,5 %.The problem in ultrasound diagnostics hip dysplasia is the lack of experience of the doctor in case of incorrect orientation of the hip joint and ultrasound head. The aim of this study was to evaluate the ability of the convolutional neural network (CNN) to classify and recognize ultrasound imaging of the hip joint obtained at the correct and incorrect position of the ultrasound sensor head in the computer diagnosis of pediatric dysplasia. CNN`s such as GoogleNet, SqueezeNet, and AlexNet were ed for the study. The most optimal for the task is the use of CNN GoogleNet showed. In this CNN used transfer learning. At the same time, fine-tuning of the network and additional training on the database of 97 standards of ultrasonic images of the hip joint were applied. Image type RGB 32 bit, 210 × 300 pixels are used. Fine-tuning has been performed the lower layers of the structure CNN, in which 5 classes are allocated, respectively 4 classes of hip dysplasia types according to the Graf, and the Type ERROR ultrasound image, position of the ultrasound sensor head and of the hip joint in ultrasound diagnostics are incorrect orientation. It was found that the authenticity of training and testing is the highest for the GoogleNet network: when classified in the training group accuracy is up to 100%, when classified in the test group accuracy – 84.5%.