ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В РОЗПІЗНАВАННІ МЕДИЧНИХ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.32689/maup.it.2024.3.3Ключові слова:
штучний інтелект, згорткові нейронні мережі, діагностичні системи, генеративні змагальні мережі, розпізнавання зображеньАнотація
Стаття присвячена дослідженню розпізнавання зображень в медицині за допомогою глибокого навчання. Застосування глибокого навчання дозволяє автоматизувати процеси обробки та аналізу зображень, що значно зменшує людський фактор і підвищує точність діагнозів. Штучний інтелект, зокрема глибоке навчання, активно використовується для розпізнавання аномалій на рентгенівських знімках, ультразвукових зображень, МРТ та КТ, тому дана технологія активно розвивається в напрямках онкології та кардіології. Алгоритми можуть навчатися на великих обсягах даних, що дозволяє їм ідентифікувати закономірності, які можуть бути непоміченими або незрозумілими для людського спостереження, це є можливим завдяки згортковим шарам, які використовують фільтри для виявлення локальних ознак у зображеннях. Метою публікації є дослідження сучасного стану питання розпізнавань медичних зображень та узагальнення новітніх досліджень у цій сфері. Методологія. У статті проведений огляд та аналіз літератури щодо застосування глибокого навчання, його переваг, недоліків та обмежень відносно традиційних методів в розпізнаванні зображень, розглянуті необхідні кроки для побудови систем розпізнавання зображень, доведено важливість згорткових нейронних мереж (ЗНМ). Висновки. Хоча розпізнавання медичних зображень не є найпопулярнішою сферою застосування згорткових нейронних мереж сьогодні, вона дуже важлива для забезпечення більш ефективного лікування населення. Найбільш дослідженими та актуальними областями в медицині є легені, серце, молочна залоза, печінка, гістологія та очі. Сучасні публікації вчених довели високу точність згорткових нейронних мереж у діагностиці захворювань. Однак деякі показники ще можна значно покращити, що дає простір для подальших досліджень. Згорткові нейронні мережі продемонстрували високу точність розпізнавання патернів на медичних зображеннях, що може сприяти ранній діагностиці захворювань у вищезгаданих галузях медицини. Крім того, використання CNN допоможе автоматизувати процеси, що зменшить навантаження на медичний персонал для більш складних випадків; підвищить ефективність обробки великих обсягів даних; зменшить кількість помилкових інтерпретацій зображень. На сьогоднішній день згорткові нейронні мережі можна назвати помічником для медичного персоналу, але для їх широкого використання лікарями потрібно ще багато досліджень та інвестицій, але якщо ці умови будуть виконані, то їх потенціал вартий подальших досліджень.
Посилання
Копча-Горячкіна Г. Е. Теорія розпізнавання образів. URL: https://org2.knuba.edu.ua/mod/resource/view.php?id=18848
Малишев О. Використовуємо CNN для обробки зображень. Частина 1. URL: https://dou.ua/forums/topic/48368/
Творошенко І. С. Цифрова обробка зображень. 2015 URL: http://surl.li/fusflj
Ушакова І. О. Інформаційні системи та технології на підприємстві. URL: http://surl.li/plkgkg
Ansari Y, Mourad O, Qaraqe K and Serpedin E. Deep learning for ECG Arrhythmia detection and classification: an overview of progress for period 2017–2023. Front. Physiol. 2023, 14:1246746. URL: https://doi.org/10.3389/fphys.2023.1246746
Danala G., Maryada S. K., Islam W., Faiz, R., Jones M., Qiu Y., Zheng B. A. Comparison of Computer-Aided Diagnosis Schemes Optimized Using Radiomics and Deep Transfer Learning Methods. Bioengineering 2022, 9, 256. URL: https://www.mdpi.com/2306-5354/9/6/256
Forte G. C., Altmayer, S., Silva R. F., Stefani M. T.; Libermann L. L., Cavion C. C., Youssef A., Forghani R., King J., Mohamed T.-L., et al. Deep Learning Algorithms for Diagnosis of Lung Cancer: A Systematic Review and Meta-Analysis. Cancers 2022, 14, 3856. URL: https://pubmed.ncbi.nlm.nih.gov/36010850/
Hunger T., Wanka-Pail E., Brix G., Griebel J. Lung Cancer Screening with Low-Dose CT in Smokers: A Systematic Review and Meta-Analysis. Diagnostics 2021, 11, 1040. URL: https://www.mdpi.com/2075-4418/11/6/1040
Obuchowicz R., Strzelecki M., Piórkowski A. Clinical Applications of Artificial Intelligence in Medical Imaging and Image Processing–A Review. Cancers 2024, 16, 1870. URL: https://doi.org/10.3390/cancers16101870
Pinto-Coelho L. How Artificial Intelligence Is Shaping Medical Imaging Technology: A Survey of Innovations and Applications. Bioengineering 2023, 10, 1435. URL: https://doi.org/10.3390/bioengineering10121435
Popescu D., Stanciulescu A., Pomohaci M.D., Ichim L. Decision Support System for Liver Lesion Segmentation Based on Advanced Convolutional Neural Network Architectures. Bioengineering 2022, 9, 467. URL: https://www.mdpi.com/2306-5354/9/9/467
Rahman T., Dr. Chowdhury M., Khandakar A., COVID-19 Radiography Data-base, Kaggle, 2021. URL: https://www.kaggle.com/tawsifurrahman/covid19-radiography-database.
Reza Keyvanpour M., Barani Shirzad M., Application of Machine Learning in Agriculture, 2022 URL: https://www.sciencedirect.com/topics/computer-science/convolutional-layer
Sheng B., Chen X., Li T., Ma T., Yang Y., Bi L., Zhang X. An Overview of Artificial Intelligence in Diabetic Retinopathy and Other Ocular Diseases. Front. Public Health 2022, 10, 971943. URL: https://doi.org/10.3389/fpubh.2022.971943
Thiele F., Windebank A. J., Siddiqui A.M. Motivation for using data-driven algorithms in research: A review of machine learning solutions for image analysis of micrographs in neuroscience. Journal of Neuropathology & Experimental Neurology, 2023, 1–16. URL: https://doi.org/10.1093/jnen/nlad040
