ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ КЛАССИФИКАЦИИ ЗАБОЛЕВАНИЙ СПИНЫ В УСЛОВИЯХ НЕДОСТАТКА ДАННЫХ

STUDY OF NEURAL NETWORK MODELS FOR CLASSIFICATION OF BACK DISEASES IN DATA-CONSTRAINING CONDITIONS

Chervyakov Anton Alekseevich

student, Department of Electronic Computing Machines, Vyatka State University,

Russia, Kirov

АННОТАЦИЯ

В статье описано исследование и прототипирование моделей для предварительной классификации патологий спины на рентген снимках. Произведена оценка и выбран подход к решению комплексной задачи диагностики заболеваний спины.

ABSTRACT

This article describes the study and prototyping of models for the preliminary classification of spinal pathologies on X-ray images. An approach to solving the complex problem of diagnosing spinal disorders is evaluated and selected.

Ключевые слова: искусственный интеллект, анатомия человека, сколиоз, классификация.

Keywords: artificial intelligence, human anatomy, scoliosis, classification.

Нарушения осанки и искривления позвоночника относятся к числу наиболее распространённых патологий опорно-двигательного аппарата. Одной из наиболее значимых форм деформаций является сколиоз, который характеризуется боковым искривлением позвоночника и может сопровождаться ротацией позвонков и изменением формы грудной клетки. Эти изменения формируются преимущественно в детском и подростковом возрасте, но могут прогрессировать и во взрослом состоянии, приводя к хронической боли, снижению физической активности и ухудшению качества жизни.

Машинное обучение последние годы активно внедряют в различные сферы паталогической диагностики. В медицинской школе Гарварда разрабатывают исследование среза ткани под микроскопом с использованием глубокого обучения. Сочетание алгоритмов с работой человека достигает точности 99,5% [1].

Ранняя диагностика и периодический контроль состояния позвоночника имеют важное значение для предупреждения осложнений и эффективного лечения.

Целью исследования является изучение данных и работа модели с ними, выявление лучшей модели-прототипа.

Из открытых источников объединены около 400 снимков с нарушениями осанки в один набор данных. Датасет имеет выбросы, которые будут влиять на качество обучения. На текущем этапе ручное исключение выбросов допустимо, но в будущем – один из модулей валидации изображений.

К датасету применено очищение от выбросов и десятикратная аугментация. Финальный набор данных содержит 4000 изображений. Соотношение классов 55% здоровых и 45% снимков сколиоза.

Для анализа взяты следующие модели:

• Логистическая регрессия;
• RandomForest;
• MobileNetV2;
• ResNet18;
• EfficientNet-B0.

Рисунок 1. Архитектура модели mobilenetv2

Рисунок 2. Архитектура resnet18

Рисунок 3. Архитектура efficientnet-B0

Простые классификаторы сравниваются с глубокими нейросетевыми моделями.

Таблица 1.

Сравнение моделей

Сверточные нейронные сети показывают неочевидно низкую точность и избыточность. Из-за низкого объема данных происходит переобучение. Для предварительной классификации наиболее подходящей моделью на данном этапе выбран классификатор Random Forest.

Логистическая регрессия запускалась на 3000 итераций.

Random Forest – 200 n_estimators.

MobileNetV2 - классификатор заменен на Linear.

ResNet18 полностью стандартная структура.

EfficientNet-B0 – классификатор также заменен на Linear.

Все сверточные модели инициализированы предобученными весами ImageNet, финальный слой адаптирован под размерность выборки, оптимизация велась с применением CrossEntropyLoss. Количество эпох – 10.

Классификатор должен при успешном предсказании сколиоза запускать построение угла Кобба.

Построение угла Кобба – комплексная задача, которая никак не относится к классификации, но удачная реализация обязана помочь в диагностике с недостатком данных.

Дальнейший вектор исследования предполагает изучение существующих решений, одно из которых SpineNet – проект Оксфордского университета для учебных задач с разметкой позвонков в разных проекциях [2]. Основной идеей как данного решения, так и логическое предположение – поиск опорных точек. Задача сводится к обнаружению объектов [3-4].

Подготовка и исследование данных – это важный этап, без которого трудно представить дальнейшее развитие системы.

В результате выполненной работы произведено сравнение пяти различных моделей. Основным классификатором выбран Random Forest. Недостаток данных не предполагает под собой большую проблему, а порождает необходимость искать иной подход. В условиях недостатка данных не всегда подходящие решения должны быть комплексными.

Список литературы:

1. ИИ и машинное обучение в медицине / Хабр [Электронный ресурс]. – Режим доступа: habr.com/ru/companies/cloud4y/articles/506288
2.  SpineNet [Электронный ресурс] – Режим доступа: https://arxiv.org/abs/2205.01683
3. И.Д. Шитоев, В.Н. Никитин, М.Д. Иванова, Г.З. Клоян, С.В. Муравьев. Применение компьютерного зрения для определения реперных точек при оценке нарушения осанки // ПРИКЛАДНАЯ МАТЕМАТИКА И ВОПРОСЫ УПРАВЛЕНИЯ № 4, 2023 С. 96-104.
4. Paniego S., Sharma V., Cañas J.M. Open-source assessment of deep learning visual object detection // Sensors. – 2022. – Vol. 22, no 12. – 16 p. DOI:10.3390/s22124575