Трехканальная интеллектуальная система классификации новообразований для диагностики рака легкого

Трехканальная интеллектуальная система классификации новообразований для диагностики рака легкого

Уткин Лев Владимирович *
д.т.н., профессор, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), лаборатория нейросетевых технологий и искусственного интеллекта, заведующий лабораторией, заведующий кафедрой «Телематика (при ЦНИИ РТК)», 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., ORCID: 0000-0002-5637-1420

Мелдо Анна Александровна
ГБУЗ «Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический)», заведующий отделением лучевой диагностики, врач-рентгенолог, 197758, Санкт-Петербург, п. Песочный, Ленинградская ул., д. 68А; СПбПУ, лаборатория нейросетевых технологий и искусственного интеллекта, с.н.с., 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. 

Крыштапович Виктор Сергеевич
СПбПУ, бакалавр направления «Математика и компьютерные науки», 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. 

Тюльпин Виктор Андреевич
СПбПУ, бакалавр направления «Математика и компьютерные науки», 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., ORCID: 0000-0002-2005-436X

Касимов Эрнест Махмадкулович
СПбПУ, магистрант направления «Математика и компьютерные науки», 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. 

Ковалев Максим Сергеевич
СПбПУ, магистрант направления «Математика и компьютерные науки», лаборатория нейросетевых технологий и искусственного интеллекта, инженер, 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. 

Материал поступил в редакцию 15 июля 2019 года.

Аннотация
В статье рассматривается задача построения эффективной системы классификации сегментированных новообразований как наиболее важного элемента интеллектуальной системы диагностики рака легкого на основе снимков компьютерной томографии. Система обучается на наборах открытых данных по диагностике рака легкого и решает задачу классификации новообразований в легком, обнаруженных системой сегментации, и уменьшения числа ложноположительных случаев. Результатом ее функционирования являются вероятности различных диагнозов. В основе построения системы классификации лежит целый ряд подходов. Во-первых, сегментированные новообразования представляются в виде пяти гистограмм, которые описывают внутреннюю структуру новообразования, его поверхность и его окружение, что позволяет существенно уменьшить размерность данных и упростить процесс классификации. Во-вторых, используются сиамские нейронные сети, которые являются эффективным инструментом классификации, позволяющим осуществлять дифференциальную диагностику онкологических заболеваний. В-третьих, предлагается трехканальная система классификации, где первый канал использует каскад случайных лесов для классификации гистограмм, второй канал - сиамская нейронная сеть, состоящая из простых нейронных сетей, обученных на парах гистограмм, и третий канал использует сиамскую нейронную сеть, состоящую из сверточных нейронных сетей, обученных на парах сегментированных 3D объектов на снимках компьютерной томографии. Результирующий диагноз определя-ется на основе комбинирования вероятностей, полученных в каждом канале диагнозов, и на основе корректности классификации, выполненной на тестирующих примерах.

Ключевые слова
Глубокая нейронная сеть, классификация, радиомика, рак легкого, искусственный интеллект, компьютерная томография, сиамская нейронная сеть.

DOI
https://doi.org/10.31776/RTCJ.7304  

Индекс УДК 

004.896:616.24

Библиографическое описание 
Трехканальная интеллектуальная система классификации новообразований для диагностики рака легкого / Л.В. Уткин [и др.] // Робототехника и техническая кибернетика. – Т. 7. - №3. – Санкт-Петербург : ЦНИИ РТК. – 2019. – С. 196-207. – Текст : непосредственный.

Литература

  1. A survey on deep learning in medical image analysis / G. Litjens [et al] // Medical Image Analysis, 42:60-88, 2017.
  2. Siegel R.L. Cancer statistics / R.L. Siegel, K.D. Miller, A. Jemal // CA: A Cancer Journal for Clinicians, 68(1):7-30, 2018.
  3. Automatic nodule detection for lung cancer in CT images: A review / Zhang G. [et al] // Computers in Biology and Medicine, 103:287-300, 2018.
  4. Zhang J. Pulmonary nodule detection in medical images: A survey / Zhang J., Xia Y., Cui H., Zhang Y. // Biomedical Signal Processing and Control, 43:138-147, 2018.
  5. Ronneberger O. U-Net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // arXiv:1505.04597v1, May 2015.
  6. 3D U-Net: Learning dense volumetric segmentation from sparse annotation / O. Cicek [et al] // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016, vol. 9901 of Lecture Notes in Computer Science, pp. 424-432, Cham, 2016. Springer.
  7. Мелдо A.A. Комбинированная автоматизированная система сегментации и обнаружения новообразований для диагностики рака легкого / A.A. Мелдо, Л.В. Уткин, М.A. Рябинин // Робототехника и техническая кибернетика. – 2019. – № 7(2) – С. 145-153.
  8. Development and clinical application of radiomics in lung cancer / Gan Y. [et al] // Radiation Oncology, 12:154-161, 2017.
  9. Radiomics and radiogenomics in lung cancer: A review for the clinician / R. Thawani [et al] // Lung Cancer, 115:34-41, 2018.
  10. From hand-crafted to deep learning-based cancer radiomics: Challenges and opportunities / P. Afshar [et al] // АrXiv:1808.07954v1, Aug 2018.
  11. Koch G. Siamese neural networks for one-shot image recognition / G. Koch, R. Zemel, R. Salakhutdinov // Proceedings of the 32nd International Conference on Machine Learning, vol. 37, pp. 1-8, Lille, France, 2015.
  12. Fei-Fei L. One-shot learning of object categories / L. Fei-Fei, R. Fergus, P. Perona // IEEE Trans. Pattern Analysis and Machine Intelligence, 28(4):594-611, 2006.
  13. Zhou Z.-H. Deep forest: Towards an alternative to deep neural networks / Z.-H. Zhou, J. Feng // Proceedings of the 26th International Joint Conference on Artificial Intelligence (IJCAI-17), pp. 3553-3559, Melbourne, Australia, 2017. AAAI Press.
  14. Breiman L. Random forests // Machine learning, 45(1):5-32, 2001.
  15. Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: the LUNA16 challenge / Setio A.A.A. [et al] // АrXiv:1612.08012v4, Jul 2017.
  16. База данных компьютерных томограмм грудной клетки с выделенными и маркированными областями патологии легких – LIRA (Lung Image Resource Annotated) / Л.В. Уткин [и др.] // Свидетельство о государственной регистрации базы данных № 2019620232. Дата гос. регистрации 07.02.2019.
  17. Smith S.P. Chord distribution for shape matching / S.P. Smith, A.K. Jain // Computer vision, graphics, and image processing, 20(3):259-271, 1982.
  18. Chopra S. Learning a similarity metric discriminatively, with application to face verification / S. Chopra, R. Hadsel, l LeCun Y. // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR-05), 2005, vol. 1, pp. 539-546. – IEEE, 2005.
  19. Bellet A. A survey on metric learning for feature vectors and structured data / A. Bellet, A. Habrard, M. Sebban // АrXiv preprint arXiv:1306.6709, 28 Jun 2013.А
  20. Le Capitaine H. Constraint selection in metric learning // АrXiv:1612.04853v1, 14 Dec 2016.
  21. Siamese multi-layer perceptrons for dimensionality reduction and face identification / L. Zheng [et al] // Multimedia Tools and Applications, 75(9):5055-5073, 2016.
  22. Liu F.T. Spectrum of variable-random trees / Liu F.T., Ting K.M., Yu Y., Zhou Z.-H. // Journal of Artificial Intelligence Research, 32:355-384, 2008.
  23. He K. Deep residual learning for image recognition / Liu F.T., Ting K.M., Yu Y., Zhou Z.-H. // АrXiv preprint arXiv:1512.03385,2015.
  24. What do we need to build explainable AI systems for the medical domain? / A. Holzinger [et al] // АrXiv:1712.09923, Dec. 2017.

Полный текст статьи (pdf)

Адрес редакции:  Россия, 194064, Санкт-Петербург, Тихорецкий пр., 21   Тел.: +7(812) 552-13-25 e-mail: zheleznyakov@rtc.ru 
 
 
vk2    tg2