Идентификация областей легочного фиброза на радиологических снимках с помощью инструментов машинного обучения

Abstract

В работе обсуждается новый подход для локализации областей фиброза на КТ изображениях с помощью анализа набора данных файлов DICOM, содержащих пациентов с различными типами фиброза. Исследование использовало аннотированные КТ-изображения для обучения модели и для оценки качества решения. Подход позволяет классифицировать набор данных и группировать их в соответствии с их сходством с помощью экстремальной обучающей машины. В исследовании разработана семантическая модель CNN путем улучшения модульной структуры PSPNet для классификации изображений и обнаружения фиброза на основе изменения пикселей с применением модуля объединения специализированной нейроструктуры пирамидального типа.

To acquire a large dataset of CT DICOM images consisting of various types of fibrosis. To annotate these images which is then used in the model as the ground truth labelling and to derive a final prediction. To classify the dataset by features and grouping them according to their similarities with the help of an extreme learning machine. To develop a semantic CNN model by enhancing the modular structure of the PSPNet to further classify the images and detect fibrosis based on pixel variation passed through the pyramid pooling module.