АДАМНЫҢ ӨКПЕ ЖҮЙЕСІНІҢ РЕНТГЕНДІК КЕСКІНДЕРІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІ АРҚЫЛЫ ТАЛДАУ ЖӘНЕ АЛДЫН АЛА ДИАГНОЗ ҚОЮ

Бұл мақалада патологиялық өзгерістерді ерте анықтау үшін тыныс алу жолдарының радиографиялық кескіндерін автоматтандырылған талдауға арналған машиналық оқыту әдістерінің кешенді зерттеуі ұсынылған. Өкпе ауруларын жіктеу әдісі DenseNet121, MobileNetV2, EfficientNetB0, SENet және ShuffleNetV2 архитектураларын қамтитын терең конволюциялық нейрондық желілер ансамблін пайдаланып ұсынылды және енгізілді. Зерттеуде сонымен қатар әртүрлі кескінді алдын ала өңдеу әдістерінің тиімділігі, соның ішінде қосымша өңдеусіз шикі қара-ақ рентгенограммаларды пайдалану, түсті сүзумен біріктірілген CLAHE (Contrast Limited Adaptive Histogram Equalization) әдісі және шуды басу үшін DynamicCNN нейрондық желілік шуды басу құралы салыстырылды. Тәжірибе нәтижелері жұмсақ дауыс беру стратегиясын қолданатын ансамбльдік тәсіл жеке модельдермен салыстырғанда жіктеу дәлдігін статистикалық тұрғыдан айтарлықтай жақсартатынын көрсетті. Нәтижелер ұсынылған тәсілдің жоғары тиімділігін растайды және медициналық диагностика жмен клиникалық шешім қабылдауды қолдау үшін ансамбльдік терең оқыту модельдерінің әлеуетін көрсетеді.

1. Liu, X., Yu, Z., Tan, L. Deep learning for lung disease classification using transfer learning and a customized convolutional neural network architecture with attention. Proceedings of the IEEE 2nd International Conference on Sensors, Electronics and Computer Engineering (ICSECE), 2024, pp. 341–346.

2. Shamrat, F.M.J.M., Azam, S., Karim, A., Islam, R., Tasnim, Z., Ghosh, P., De Boer, F. LunGNeT22: A fine-tuned model for multiclass classification and prediction of lung disease using X-ray images. Journal of Personalized Medicine, 12, 680 (2022).

3. De Sousa, P.M., Carneiro, P.C., Oliveira, M.M., Pereira, G.M., Da Costa, C.A. Jr., De Moura, L.V., Mattjie, C., Da Silva, A.M.M., Patrocinio, A.C. COVID-19 classification in X-ray chest images using a new convolutional neural network: CNN-COVID. Research on Biomedical Engineering, 38, 87–97 (2021).

4. Ashraf, S.M.N., Mamun, Md.A., Abdullah, H.Md., Alam, Md.G.R. SynthEnsemble: A fusion of convolutional neural networks, vision transformers, and hybrid models for multi-label chest X-ray classification. Proceedings of the 26th International Conference on Computer and Information Technology (ICCIT), 2023, pp. 1–6.

5. Souid, A., Sakli, N., Sakli, H. Classification and prediction of lung diseases from chest X-ray images using MobileNetV2. Applied Sciences, 11, 2751 (2021).

6. Zhang, K., Zuo, W., Chen, Y., Meng, D., Zhang, L. Beyond a Gaussian denoiser: Residual learning of deep convolutional neural networks for image denoising. IEEE Transactions on Image Processing, 26, 3142–3155 (2017).

7. Chest X-ray COVID-19 Pneumonia Dataset. Kaggle. URL: https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database (accessed: 05.01.2022).

8. COVID Chest X-ray Image Dataset for Research. Kaggle (accessed 05 January 2022). URL: https:// www.kaggle.com/datasets/pranavraikokte/covid19-image-dataset

9. Chest X-ray Pneumonia, COVID-19, Tuberculosis Dataset. Kaggle. URL: https://www.kaggle.com/datasets/amanullahasraf/chest-xray-pneumonia-covid19-tuberculosis (accessed: 05.01.2022).

10. COVID-19 Chest X-ray Dataset. GitHub. URL: https://github.com/ieee8023/covid-chestxray-dataset (accessed: 03.01.2022).

11. COVIDx CXR-2 Dataset. Kaggle. URL: https://www.kaggle.com/datasets/andyczhao/covidx-cxr2 (accessed: 04.01. 2022).

12. Tuberculosis Chest X-ray Dataset. Kaggle. URL: https://www.kaggle.com/datasets/tawsifurrahman/tuberculosis-tb-chest-xray-dataset (accessed: 04.01.2022).

13. Tuberculosis Chest X-rays Shenzhen Dataset. Kaggle. URL: https://www.kaggle.com/datasets/raddar/tuberculosis-chest-xrays-shenzhen (accessed: 05.01.2022).

14. COVID-19 Detection Dataset. Kaggle. URL: https://www.kaggle.com/datasets/darshan1504/covid19-detection-xray-dataset (accessed: 05.01.2022).

15. Pneumothorax Binary Classification Dataset. Kaggle. URL: https://www.kaggle.com/datasets/vbookshelf/pneumothorax-chest-xray-images (accessed: 05.01.2022).

16. National Institutes of Health Chest X-ray Dataset (Sample). Kaggle. URL: https://www.kaggle.com/datasets/nih-chest-xrays/sample (accessed: 06.01.2022).

17. COVID Normal Viral Opacity Dataset Version 2. Kaggle. URL: https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database (accessed: 03.01.2022).

18. X-ray Report Dataset. Kaggle. URL: https://www.kaggle.com/datasets/raddar/xray-report-dataset (accessed: 04.01.2022).

19. ChestX-ray14 Dataset. National Institutes of Health. URL: https://nihcc.app.box.com/v/ChestXray-NIHCC (accessed: 03.01.022).

20. Worldwide Chest X-ray Datasets. Kaggle. URL: https://www.kaggle.com/datasets/nikhilpandey360/chest-xray-multiple-datasets (accessed: 03.01.022).

21. COVID-19 Radiography Database. Kaggle. URL: https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database (accessed: 06.01.2022).

22. Tuberculosis Chest X-rays Shenzhen Dataset. Kaggle. URL: https://www.kaggle.com/datasets/raddar/tuberculosis-chest-xrays-shenzhen (accessed: 06.01.2022).

23. Hussein, F., Mughaid, A., AlZu’bi, S., El-Salhi, S.M., Abuhaija, B., Abualigah, L., Gandomi, A.H. Hybrid contrast limited adaptive histogram equalization and convolutional neural network deep models for lung disease classification from X-ray images. Electronics, 11, 3075 (2022).

24. Sonali, N., Sahu, S., Singh, A.K., Ghrera, S.P., Elhoseny, M. An approach for denoising and contrast enhancement of retinal fundus images using contrast limited adaptive histogram equalization. Optics and Laser Technology, 110, 87–98 (2018).

25. Das, H., Rout, J.K., Moharana, S.C., Dey, N. Applied intelligent decision making in machine learning. CRC Press, Boca Raton, 320 p. (2020).

26. Huang, G., Liu, Z., Van Der Maaten, L., Weinberger, K.Q. Densely connected convolutional networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 4700–4708.

27. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., Chen, L.-C. MobileNetV2: Inverted residuals and linear bottlenecks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 4510–4520

28. Tan, M., Le, Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks. arXiv preprint, arXiv:1905.11946 (2019).

29. Hu, J., Shen, L., Albanie, S., Sun, G., Wu, E. Squeeze-and-excitation networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42, 2011–2023 (2019).

30. Ma, N., Zhang, X., Zheng, H.-T., Sun, J. ShuffleNet V2: Practical guidelines for efficient convolutional neural network architecture design. Lecture Notes in Computer Science, 11218, 122–138 (2018).

31. Kingma, D.P., Ba, J.L. Adam: A method for stochastic optimization. arXiv preprint, arXiv:1412.6980 (2014).