МЕТОД АНАЛИЗА ОЦИФРОВАННЫХ РЕНТГЕНОВСКИХ СНИМКОВ ГРУДНОЙ КЛЕТКИ ДЛЯ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ИНФЕКЦИОННЫХ ЗАБОЛЕВАНИЙ ДЫХАТЕЛЬНОЙ СИСТЕМЫ (2024)
В связи со стремительным развитием теории глубокого обучения наблюдается значительный прогресс и в области компьютерного зрения, а именно классификации изображений и обнаружения объектов. Анализ актуальных исследований в данной области показал, что для решения задачи диагностики патологий дыхательной системы целесообразно применение нейросетевых моделей с последующей оценкой их эффективности в реальных условиях. Целью исследования является повышение качества дифференциальной диагностики инфекционных заболеваний дыхательной системы за счет применения нейросетевых моделей. В статье предложен метод анализа оцифрованных рентгеновских снимков грудной клетки для дифференциальной диагностики инфекционных заболеваний дыхательной системы, заключающийся в применении модифицированной одноэтапной нейросетевой модели, использующей алгоритм мягкого подавления немаксимумов. Для оценки качества базовой и модифицированной нейросетевых моделей применялся ROC-анализ. Для решения задачи применения ROC-анализа для многоклассовой классификации был применен метод one-vs-all, заключающийся в создании бинарных классификаторов для каждого класса. В ходе исследования проведен ряд экспериментов для двух нейросетевых моделей (базовой и модифицированной). На основе анализа полученных значений показателя качества, а также визуального анализа на тестовом наборе данных, произведенного в рамках тестирования нейросетевых моделей, проведена оценка эффективности исследуемых моделей. Использование предложенного метода позволило учесть наложение ограничительных рамок при обнаружении объектов на изображениях, минимизировать ложное удаление рамок и достичь более точных результатов при решении задачи дифференциальной диагностики инфекционных заболеваний дыхательной системы по оцифрованным рентгеновским снимкам грудной клетки в сравнении с традиционным алгоритмом подавления немаксимумов. Проведенный анализ показал высокую чувствительность базовой и модифицированной нейросетевых моделей, однако количество правильно классифицированных примеров для модифицированной модели, использующей алгоритм мягкого подавления немаксимумов, выше для каждого из трех классов в сравнении базовой моделью.