KONWOLUCYJNE SIECI NEURONOWE DO WCZESNEJ DIAGNOSTYKI KOMPUTEROWEJ DYSPLAZJI U DZIECI

Problemem w diagnostyce ultrasonograficznej dysplazji stawu biodrowego jest brak doświadczenia lekarzy w zakresie nieprawidłowej orientacji stawu biodrowego i głowicy ultrasonograficznej. Celem tego badania była ocena zdolności konwolucyjnej sieci neuronowej (CNN) do klasyfikowania i rozpoznawania obrazów ultrasonograficznych stawu biodrowego uzyskanych przy prawidłowym i nieprawidłowym położeniu głowicy ultrasonograficznej we wspomaganej komputerowo diagnostyce dysplazji dziecięcej. Do badania wybrano sieci CNN, takie jak GoogleNet, SqueezeNet i AlexNet. Wykazano, że najbardziej optymalne dla tego zadania jest użycie CNN GoogleNet. Jednocześnie w CNN zastosowano metodologię uczenia transferowego. Zastosowano precyzyjne dostrojenie sieci i dodatkowe szkolenie na podstawie 97 próbek obrazów ultrasonograficznych stawu biodrowego, typ obrazu RGB 32 bity, 210 × 300 pikseli. Przeprowadzono dostrajanie dolnych warstw struktury CNN, w której zidentyfikowano 5 klas, odpowiednio 4 klasy typów dysplazji stawu biodrowego według Grafa oraz obraz ultrasonograficzny typu ERROR, w którym pozycja głowicy ultrasonograficznej i stawu biodrowego w diagnostyce ultrasonograficznej mają nieprawidłową orientację. Stwierdzono, że niezawodność szkolenia i testowania jest najwyższa dla sieci GoogleNet: podczas klasyfikacji w grupie szkoleniowej dokładność wynosi do 100%, podczas klasyfikacji w grupie testowej dokładność wynosi 84,5%.