Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання

Автор(и)

  • В.О. Слободзян Хмельницький національний університет
  • О.В. Бармак Хмельницький національний університет

DOI:

https://doi.org/10.31649/1681-7893-2024-48-2-104-113

Ключові слова:

МРТ серця, патологія серця, глибоке навчання, класифікація, каскадна модель

Анотація

МРТ-дослідження серця є ключовим методом для діагностики серцево-судинних захворювань .У статті запропоновано вдосконалення методу класифікації серцевих захворювань за допомогою каскаду бінарних класифікаторів на основі глибокого навчання. Запропонована модель спрямована на точне розпізнавання таких захворювань, як гіпертрофічна кардіоміопатія, інфаркт міокарда та дилатаційна кардіоміопатія. Використання каскаду дозволяє покращити ефективність класифікації, поділяючи загальну задачу на менші підзадачі, кожна з яких орієнтована на виявлення конкретної патології. Таким чином, модель може краще фокусуватися на характерних особливостях захворювань, що мінімізує ризики сплутування між подібними патологіями та підвищує загальну точність. Метод досягає середньої точності 97,2%, що перевершує результати відомих підходів. Окремі класифікатори показують точність до 100% при виявленні гіпертрофічної кардіоміопатії та аномалій правого шлуночка, в той час як для інфаркту міокарда та дилатаційної кардіоміопатії точність становить 90%. Ці результати свідчать про потенціал методу для використання в клінічній практиці, але також підкреслюють необхідність подальшого вдосконалення при роботі з менш типовими або складними випадками.

Біографії авторів

В.О. Слободзян, Хмельницький національний університет

аспірант  кафедри  комп'ютерних  наук

О.В. Бармак , Хмельницький національний університет

доктор технічних наук, професор, завідувач кафедри комп`ютерних наук

Посилання

Invisible numbers: the true extent of noncommunicable diseases and what to do about them. Geneva: World Health Organization; 2022. Licence: CC BY-NC-SA 3.0 IGO.

Radiuk P., Barmak O., Manziuk E. and Krak I. (2024) Explainable Deep Learning: A Visual Analytics Approach with Transition Matrices, Mathematics, 12.7 1024. doi:10.3390/math12071024.

Zhong Z., Zheng M., Mai H., Zhao J. and Liu X. (2020). Cancer image classification based on DenseNet model.", In Journal of physics: conference series, Vol. 1651, no. 1, p. 012143. IOP Publishing,

He K., Zhang X., Ren S. and Sun J. (2016). Deep Residual Learning for Image Recognition, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 770-778, doi: 10.1109/CVPR.2016.90.

Huang G., Liu Z., Maaten L.v.d. and. Weinberger K.Q. (2018). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, p. 4700-4708): doi: 10.48550/arXiv.1608.06993.

Zhong Z., Zheng M., Mai H., Zhao J. and Liu X. (2020). Cancer image classification based on DenseNet model., In Journal of physics: conference series, vol. 1651, no. 1, p. 012143. IOP Publishing.

Rehman K.A. (2022). Facial Emotion Recognition Using Conventional Machine Learning and Deep Learning Methods: Current Achievements, Analysis and Remaining Challenges. Information 13, 268: doi: 10.3390/info13060268.

Hu S., Liao Z., Liu Z. and Xia Y. (2024).Towards Clinician-Preferred Segmentation: Leveraging Human-in-the-Loop for Test Time Adaptation in Medical Image Segmentation. arXiv preprint arXiv:2405.08270.

Zheng Q., Delingette H. and Ayache N. (2019): Explainable cardiac pathology classification on cine MRI with motion characterization by semi-supervised learning of apparent flow., Medical image analysis, 56, p. 80-95.

Isensee F., Jaeger P. F., Full P. M., Wolf I., Engelhardt S. and Maier-Hein K. H. (2017). Automatic cardiac disease assessment on cine-MRI via time-series segmentation and domain specific features", 8th International Workshop, STACOM 2017, Held in Conjunction with MICCAI 2017, Quebec City, Canada, September 10-14, Revised Selected Papers 8, p. 120-129.

Mahendra K., Kollerathu V. A. and Krishnamurthi G. (2019). Fully convolutional multi-scale residual DenseNets for cardiac segmentation and automated cardiac diagnosis using ensemble of classifiers, Medical image analysis, 51, 21-45.

Bernard O., Lalande A., Zotti C. and Cervenansky F., et al. (2018). Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis: Is the Problem Solved ? in IEEE Transactions on Medical Imaging, Vol. 37, no. 11, p. 2514-2525: doi: 10.1109/TMI.2018.2837502.

Davila A., Colan J. and Hasegawa Y. (2024). Comparison of fine-tuning strategies for transfer learning in medical image classification.", Image and Vision Computing, 146: 105012.

Wójcik Waldemar, Smolarz Andrzej (2017). Information Technology in Medical Diagnostics, July 11, 2017 by CRC Press, 210 Pages.

Highly linear Microelectronic Sensors Signal Converters Based on Push-Pull Amplifier Circuits / edited by Waldemar Wojcik and Sergii Pavlov, Monograph, (2022) NR 181, Lublin, Comitet Inzynierii Srodowiska PAN, 283 Pages. ISBN 978-83-63714-80-2

Pavlov Sergii, Avrunin Oleg, Hrushko Oleksandr, and etc. (2021). System of three-dimensional human face images formation for plastic and reconstructive medicine // Teaching and subjects on bio-medical engineering Approaches and experiences from the BIOART-project Peter Arras and David Luengo (Eds.), Corresponding authors, Peter Arras and David Luengo. Printed by Acco cv, Leuven (Belgium). - 22 P. ISBN: 978-94-641-4245-7.

Pavlov S.V., Avrunin O.G., etc. (2019). Intellectual technologies in medical diagnosis, treatment and rehabilitation: monograph / [S. In edited by S. Pavlov, O. Avrunin. - Vinnytsia: PP "TD "Edelweiss and K", 260 p. ISBN 978-617-7237-59-3.

Romanyuk, O., Zavalniuk, Y., Pavlov, S., etc. (2023). New surface reflectance model with the combination of two cubic functions usage, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska, , 13(3), pp. 101–10

Kukharchuk, Vasyl V., Sergii V. Pavlov, Volodymyr S. Holodiuk, Valery E. Kryvonosov, Krzysztof Skorupski, Assel Mussabekova, and Gaini Karnakova. (2022). "Information Conversion in Measuring Channels with Optoelectronic Sensors" Sensors 22, no. 1: 271. https://doi.org/10.3390/s22010271.

Vasyl V. Kukharchuk, Sergii V. Pavlov, Samoil Sh. Katsyv, and etc. (2021). Transient analysis in 1st order electrical circuits in violation of commutation laws”, Przegląd elektrotechniczny, ISSN 0033-2097, R. 97 NR 9/2021, p. 26-29, doi:10.15199/48.2021.09.05.

Pavlov S.V, Petruk V.G., Kolesnik P.F. (2007). Photoplethysmohrafic technologies of the cardiovascular control: monography, Vinnitsa: Universum-Vinnitsa, 254 p.

Wójcik W, Mezhiievska I, Pavlov SV, Lewandowski T, Vlasenko OV, Maslovskyi V, Volosovych O, Kobylianska I, Moskovchuk O, Ovcharuk V, et al. (2023). Medical Fuzzy-Expert System for Assessment of the Degree of Anatomical Lesion of Coronary Arteries. International Journal of Environmental Research and Public Health. 20(2):979. https://doi.org/10.3390/ijerph20020979.

##submission.downloads##

Переглядів анотації: 28

Опубліковано

2024-11-19

Як цитувати

[1]
В. Слободзян і О. Бармак, «Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання», Опт-ел. інф-енерг. техн., вип. 48, вип. 2, с. 104–113, Лис 2024.

Номер

Розділ

Системи технічного зору і штучного інтелекту з обробкою та розпізнаванням зображень

Метрики

Завантаження

Дані завантаження ще не доступні.

Статті цього автора (авторів), які найбільше читають