KONWOLUCYJNE SIECI NEURONOWE DO WCZESNEJ DIAGNOSTYKI KOMPUTEROWEJ DYSPLAZJI U DZIECI
Yosyp Bilynsky
Yosyp.bilynsky@gmail.comVinnytsia National Technical University , Vinnytsia, Ukraine (Ukraina)
http://orcid.org/0000-0002-9659-7221
Aleksandr Nikolskyy
National Pirogov Memorial Medical University, Vinnytsya, Ukraine (Ukraina)
http://orcid.org/0000-0002-0098-0606
Viktor Revenok
National Pirogov Memorial Medical University, Vinnytsya, Ukraine (Ukraina)
http://orcid.org/0000-0002-8239-6955
Vasyl Pogorilyi
National Pirogov Memorial Medical University, Vinnytsya, Ukraine (Ukraina)
http://orcid.org/0000-0001-5317-5216
Saule Smailova
D.Serikbayev East Kazakhstan State Technical University, Ust-Kamenogorsk, Kazakhstan (Kazachstan)
http://orcid.org/0000-0002-8411-3584
Oksana Voloshina
Vinnytsia Mykhailo Kotsubynsky State Pedagogical University, Vinnytsya, Ukraine (Ukraina)
http://orcid.org/0000-0002-9977-7682
Saule Kumargazhanova
D.Serikbayev East Kazakhstan State Technical University, Ust-Kamenogorsk, Kazakhstan (Kazachstan)
http://orcid.org/0000-0002-6744-4023
Abstrakt
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%.
Słowa kluczowe:
konwolucyjne sieci neuronowe, diagnostyka komputerowa, obrazowanie ultrasonograficzne dysplazji dziecięcejBibliografia
Bilynsky Y. Y., Urvan O. G., Guralnyk A. B.: Modern methods of perinatal diagnosis of hip dysplasia: global trends. Scientific Proceedings of VNTU 4, 2019, 40–50.
DOI: https://doi.org/10.31649/2307-5392-2019-4-1-10
Google Scholar
Bilynsky Y. Y. et al.: Overview of methods of ultrasound diagnosis of hip dysplasia and determination of the most appropriate of them for computer prediction of the disease. Medical Informatics and Engineering 3, 2019, 49–58 [http://doi.org/10.11603/mie.1996-1960.2019.3.10432].
DOI: https://doi.org/10.11603/mie.1996-1960.2019.3.10432
Google Scholar
Bilynsky Y. Y. et al.: Algorithm of computer diagnostics of 2D ultrasound images of hip dysplasia. Modern problems of information communications, radioelectronics and nanosystems. International scientific and technical conference, Vinnytsia 2019, 150–153.
Google Scholar
Bilynsky Y. Y. et al.: Computer analysis of 2D ultrasound images of the hip joint and measurement of its geometry. Information Technologies and Computer Engineering 3(46), 2019, 4–13 [http://doi.org/10.31649/1999-9941-2019-46-3-4-14].
DOI: https://doi.org/10.31649/1999-9941-2019-46-3-4-14
Google Scholar
Bilynsky Y. Y. et al.: Contouring of microcapillary images based on sharpening to one pixel of boundary curves. Proc. SPIE 10445, 2017, 104450Y [http://doi.org/10.1117/12.2281005].
DOI: https://doi.org/10.1117/12.2281005
Google Scholar
Bilynsky Y. et al.: Controlling geometric dimensions of small-size complex-shaped objects. Proc. SPIE 10445, 2017, 104450I [http://doi.org/10.1117/12.2280899].
DOI: https://doi.org/10.1117/12.2280899
Google Scholar
Breve F. A.: COVID-19 detection on Chest X-ray images: A comparison of CNN architectures and ensembles. Expert Systems With Applications, 2022, [http://doi.org/10.1016/j.eswa.2022.117549].
DOI: https://doi.org/10.1016/j.eswa.2022.117549
Google Scholar
Dahlström H.: Dynamic ultrasonic evaluation of congenital hip dislocation. University of Umeå, 1989.
Google Scholar
Forrest N. I. et al.: SqueezeNet: Alexnet-level accuracy with 50x fewer parameters and <0.5mb model size. arXiv:1602.07360, 2016.
Google Scholar
Graf R. et al.: Hip sonography update. Quality-management, catastrophes-tips and tricks. Medical Ultrasonography 15(4), 2013, 299–303.
DOI: https://doi.org/10.11152/mu.2013.2066.154.rg2
Google Scholar
Graf R.: The diagnosis of congenital hip-joint dislocation by the ultrasonic combound treatment. Arch. Orth. Traum. Surg. 97, 1980, 117–133, [http://doi.org/10.1007/BF00450934].
DOI: https://doi.org/10.1007/BF00450934
Google Scholar
Harcke H. et al.: Examination of the infant hip with real-time ultrasonography. J. Ultrasound Med. 3, 1984, [http://doi.org/10.7863/jum.1984.3.3.131].
DOI: https://doi.org/10.7863/jum.1984.3.3.131
Google Scholar
Krasilenko V. et al.: Modeling optical pattern recognition algorithms for object tracking based on nonlinear equivalent models and subtraction of frames. Proc. SPIE 9813, 2015, 981302 [http://doi.org/10.1117/12.2205779].
DOI: https://doi.org/10.1117/12.2205779
Google Scholar
Krasilenko V. et al.: Design and simulation of programmable relational optoelectronic time-pulse coded processors as base elements for sorting neural networks. Proc. SPIE 7723, 2010, 77231G [http://doi.org/10.1117/12.851574].
DOI: https://doi.org/10.1117/12.851574
Google Scholar
Krasilenko V. et al.: Design and simulation of optoelectronic complementary dual neural elements for realizing a family of normalized vector 'equivalence-nonequivalence' operations. Proc. SPIE 7703, 2010, 77030P [http://doi.org/10.1117/12.850871].
DOI: https://doi.org/10.1117/12.850871
Google Scholar
Krizhevsky A. et al.: ImageNet classification with deep convolutional neural networks. Communications of the ACM 60(6), 2017, 84–90.
DOI: https://doi.org/10.1145/3065386
Google Scholar
Marochko N. V.: Ultrasound study of hip joints in children of the first year of life: textbook for the system of post-graduate professional education of doctors. Izd. IPKSZ center, Khabarovsk 2008.
Google Scholar
Morin C. et al.: The infant hip: real-time US assessment of acetabular development. Radiology 157, 1985, 673–677.
DOI: https://doi.org/10.1148/radiology.157.3.3903854
Google Scholar
Rosendahl K. et al.: Developmental dysplasia of the hip: prevalence based on ultrasound diagnosis. Pediatr. Radiol. 26(9), 1996, 635–639, [http://doi.org/10.1007/BF01356824].
DOI: https://doi.org/10.1007/BF01356824
Google Scholar
Shokraei F. et al.: From CNNs to GANs for cross-modality medical image estimation. Computers in Biology and Medicine 146, 2022, 105556.
DOI: https://doi.org/10.1016/j.compbiomed.2022.105556
Google Scholar
Szegedy C. et al.: Going deeper with convolutions. ArXiv 2014 [http://arxiv.org/pdf/1409.4842.pdf].
DOI: https://doi.org/10.1109/CVPR.2015.7298594
Google Scholar
Terjesen T., Bredland T., Berg V.: Ultrasound for hip assessment in the newborn. J Bone Joint Surg Br. 71(5), 1989, 767–773.
DOI: https://doi.org/10.1302/0301-620X.71B5.2684989
Google Scholar
Wang D. et al.: Deep Learning for Identifying Metastatic Breast Cancer. ArXiv 2016 [http://arxiv.org/pdf/1606.05718.pdf].
Google Scholar
Weiss K., Khoshgoftaar T. M., Wang D.: A Survey of Transfer Learning. Journal of Big Data 3(1), 2016, 1–9 [http://doi.org/10.1186/s40537-016-0043-6].
DOI: https://doi.org/10.1186/s40537-016-0043-6
Google Scholar
Autorzy
Yosyp BilynskyYosyp.bilynsky@gmail.com
Vinnytsia National Technical University , Vinnytsia, Ukraine Ukraina
http://orcid.org/0000-0002-9659-7221
Autorzy
Aleksandr NikolskyyNational Pirogov Memorial Medical University, Vinnytsya, Ukraine Ukraina
http://orcid.org/0000-0002-0098-0606
Autorzy
Viktor RevenokNational Pirogov Memorial Medical University, Vinnytsya, Ukraine Ukraina
http://orcid.org/0000-0002-8239-6955
Autorzy
Vasyl PogorilyiNational Pirogov Memorial Medical University, Vinnytsya, Ukraine Ukraina
http://orcid.org/0000-0001-5317-5216
Autorzy
Saule SmailovaD.Serikbayev East Kazakhstan State Technical University, Ust-Kamenogorsk, Kazakhstan Kazachstan
http://orcid.org/0000-0002-8411-3584
Autorzy
Oksana VoloshinaVinnytsia Mykhailo Kotsubynsky State Pedagogical University, Vinnytsya, Ukraine Ukraina
http://orcid.org/0000-0002-9977-7682
Autorzy
Saule KumargazhanovaD.Serikbayev East Kazakhstan State Technical University, Ust-Kamenogorsk, Kazakhstan Kazachstan
http://orcid.org/0000-0002-6744-4023
Statystyki
Abstract views: 255PDF downloads: 167
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Inne teksty tego samego autora
- Madina Bazarova, Waldemar Wójcik, Gulnaz Zhomartkyzy, Saule Kumargazhanova, Galina Popova , TRANSFER WIEDZY JAKO JEDEN Z CZYNNIKÓW ZWIĘKSZANIA KONKURENCYJNOŚCI UNIWERSYTETU , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 3 (2019)
- Yosyp Bilynsky, Oksana Horodetska, Svitlana Sirenko, Dmytro Novytskyi, BADANIA EKSPERYMENTALNE NARZĘDZI DO POMIARU KONTROLI WILGOTNOŚCI GAZU ZIEMNEGO , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 10 Nr 3 (2020)
- Roman Obertyukh, Andrіі Slabkyі, Leonid Polishchuk, Oleksandr Povstianoi, Saule Kumargazhanova, Maxatbek Satymbekov, MODELE DYNAMICZNE I MATEMATYCZNE HYDRAULICZNEGO URZĄDZENIA IMPULSOWEGO DO CIĘCIA WIBRACYJNEGO Z GENERATOREM IMPULSÓW WBUDOWANYM W SPRĘŻYNĘ PIERŚCIENIOWĄ , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 3 (2022)
- Borys Mokin, Vitalii Mokin, Oleksandr Mokin, Orken Mamyrbaev, Saule Smailova, SYNTEZA MATEMATYCZNYCH MODELI NIELINIOWYCH UKŁADÓW DYNAMICZNYCH Z WYKORZYSTANIEM RÓWNANIA CAŁKOWEGO VOLTERRY , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 2 (2022)
- Yelena Blinayeva, Saule Smailova, MODELOWANIE PROCESÓW OCZYSZCZANIA SUROWEJ ROPY NAFTOWEJ WYKORZYSTUJĄCYCH DŹWIĘKI O NISKICH CZĘSTOTLIWOŚCIACH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 2 (2019)
- Maksym Tymkovych, Oleg Avrunin, Karina Selivanova, Alona Kolomiiets, Taras Bednarchyk, Saule Smailova, DOPASOWANIE ZGODNOŚCI W MODELACH 3D DLA DOPASOWANIA DŁONI 3D , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 14 Nr 1 (2024)
- Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Natalia Kalashnik, Iryna Shvarts, Vladyslav Plisenko, Dmytro Zhuk, Saule Kumargazhanova, PROCES UCZENIA WZGLĘDEM LOKALNEGO PROGU RÓŻNICY W FILTROWANIU NORMALNEGO SZUMU BIAŁEGO , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 2 (2023)
- Volodymyr Mykhalevych, Yurii Dobraniuk, Victor Matviichuk, Volodymyr Kraievskyi, Oksana Тiutiunnyk, Saule Smailova, Ainur Kozbakova, BADANIE PORÓWNAWCZE RÓŻNYCH MODELI RÓWNOWAŻNEGO ODKSZTAŁCENIA PLASTYCZNEGO DO PĘKANIA , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 1 (2023)
- Anna Vitiuk, Leonid Polishchuk, Nataliia B. Savina, Oksana O. Adler, Gulzhan Kashaganova, Saule Kumargazhanova, INŻYNIERYJNO-TECHNICZNA OCENA KONKURENCYJNOŚCI UKRAIŃSKICH PRZEDSIĘBIORSTW BUDOWY MASZYN NA PODSTAWIE ZASTOSOWANIA MODELI REGRESJI , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 3 (2023)
- Leonid Timchenko, Natalia Kokriatskaia, Mykhailo Rozvodiuk, Volodymyr Tverdomed, Yuri Kutaev, Saule Smailova, Vladyslav Plisenko, Liudmyla Semenova, Dmytro Zhuk, ZASTOSOWANIE Q-PREPARACJI DO FILTROWANIA AMPLITUDOWEGO ZDYSKRETYZOWANEGO OBRAZU , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 4 (2022)
