ВИКОРИСТАННЯ ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПОРІВНЯЛЬНОГО АНАЛІЗУ НОРМИ, ПНЕВМОНІЇ І COVID-19

Анотація

Пандемія COVID-19 мала глибокі соціально-економічні наслідки, що продовжують помітно впливати на сучасне суспільство. Вірусу властиві запальний характер, швидкі реплікація і трансмісія, та, переважно, враження легеневої тканини. Клінічний перебіг захворювання особливо небезпечний, оскільки воно швидко переходить від початкових, відносно доброякісних фаз до тяжких форм хвороби із низьким відсотком одужання пацієнтів. У зв’язку з цим виникає необхідність у швидких та автоматизованих методах діагностики, особливо для осіб, які проходять комп’ютерну томографію. Ціллю даної наукової роботи було підвищення точності та ефективності візуальної діагностики з використанням зображень комп’ютерної томографії шляхом застосування алгоритмів глибоких нейронних мереж. Корисність цих алгоритмів полягає ще й в тому, що вони слугують додатковим інструментом для лікарів, дозволяючи виявляти клінічно значущу інформацію, яка може бути неочевидною при спостереженні лише людиною. Нейронні мережі були обрані для дослідження завдяки їхньої здатності виконувати складний аналіз зображень та зберігати просторову інформацію. Крім того, їхня здатність навчатись на великих масивах даних та виявляти приховані закономірності останнім часом викликає значний інтерес з боку клінічного суспільства. Набір даних, що використовувався в дослідженні, містив 1192 зображення комп’ютерної томографії структур легень, розподілених наступним чином: 209 зображень належали пацієнтам з пневмонією, 581 – з COVID-19, і 402 – пацієнтам зі здоровими легенями, які слугували контрольною групою для виявлення значущих відмінностей в патологічних станах. Зображення були надані медичним персоналом ДУ «Національний інститут фтизіатрії і пульмонології імені Ф.Г. Яновського». Враховуючи, що набір даних включав три стани легень, задача дослідження була розділена на три підзадачі: порівняння норми і пневмонії, норми і COVID-19, та пневмонії і COVID-19. Подібна методологічна стратифікація дозволила більш детально розглянути унікальні характеристики кожного захворювання: наприклад, пневмонія часто характеризується наявністю консолідованих ділянок, в той час як при COVID-19 можуть спостерігатись більш дисперсійні помутніння у вигляді «матового скла». Для вирішення кожної підзадачі використовувались як автоенкодер, так і згорткова нейронна мережа, а потім проводилось порівняння їхньої ефективності.

Ключові слова: комп’ютерна томографія, аналіз медичних зображень, розпізнавання патології, машинне навчання, глибоке навчання.