Досліджено системи комп’ютерного діагностування: архітектури, методи та алгоритми для діагностування онкологічних захворювань, зокрема раку молочної залози, легень, пухлин мозку та інших.
Здійснено аналіз та порівняння традиційних і нейромережевих методів для завдань сегментації та класифікації зображень, проаналізовано засоби діагностування в медицині.
Досліджено основні підходи до опрацювання медичних зображень, зокрема проаналізовано методи сегментації на основі U-Net мереж та класифікації із використанням згорткових нейронних мереж.
Встановлено, що нейромережеві методи перевершують традиційні підходи за точністю сегментації та класифікації зображень. Виділено основні переваги використання нейромережевих архітектур у системах комп’ютерного діагностування, зокрема можливість автоматизації процесу діагностики та підвищення точності результатів.
Виконано комп’ютерні експерименти з попереднього оброблення та сегментації зображень. На основі експериментів встановлено ефективність U-Net мереж для задач сегментації зображень.
Розроблено метод автоматичного діагностування на основі U-Net та згорткових нейронних мереж, що потенційно зменшує тривалість діагностування за рахунок паралельного опрацювання зображень. Метод передбачає сегментацію імуногістохімічних зображень, обчислення кількісних характеристик, класифікацію гістологічних зображень і формування попереднього діагнозу.
Наукова новизна полягає у розробленні паралельного методу автоматичного діагностування, що потенційно збільшує швидкість опрацювання зображень для постановки попереднього діагнозу.
1. Refat, M. A. R., Al Amin, M., Kaushal, C., Yeasmin, M. N., & Islam, M. K. (2021). A comparative analysis of early stage diabetes prediction using machine learning and deep learning approach. In 2021 6th International Conference on Signal Processing, Computing and Control (ISPCC) (pp. 654-659). IEEE. https://doi.org/10.1109/ISPCC53510.2021.9609364
https://doi.org/10.1109/ISPCC53510.2021.9609364
2. Aswathy, M. A., & Mohan, J. (2023). Analysis of machine learning algorithms for breast cancer detection. In Research Anthology on Medical Informatics in Breast and Cervical Cancer (pp. 309-329). IGI Global.
https://doi.org/10.4018/978-1-6684-7136-4.ch017
3. Naas, M., Mzoughi, H., Njeh, I., & Slima, M. B. (2024). A deep learning based computer-aided diagnosis (CAD) tool supported by explainable artificial intelligence for breast cancer exploration. SSRN. https://doi.org/10.2139/ssrn.4689420
https://doi.org/10.2139/ssrn.4689420
4. Lizzi, F., Scapicchio, C., Laruina, F., Retico, A., & Fantacci, M. E. (2022). Convolutional neural networks for breast density classification: Performance and explanation insights. Applied Sciences, 12(1), 148. https://doi.org/10.3390/app12010148
https://doi.org/10.3390/app12010148
5. Papandrianos, N. I., Feleki, A., Moustakidis, S., Papageorgiou, E. I., Apostolopoulos, I. D., & Apostolopoulos, D. J. (2022). An explainable classification method of SPECT myocardial perfusion images in nuclear cardiology using deep learning and grad-CAM. Applied Sciences, 12(15), 7592. https://doi.org/10.3390/app12157592
https://doi.org/10.3390/app12157592
6. Chien, J. C., Lee, J. D., Hu, C. S., & Wu, C. T. (2022). The usefulness of gradient-weighted CAM in assisting medical diagnoses. Applied Sciences, 12(15), 7748. https://doi.org/10.3390/app12157748
https://doi.org/10.3390/app12157748
7. Bahadure, N. B., Ray, A. K., & Thethi, H. P. (2017). Image analysis for MRI-based brain tumor detection and feature extraction using biologically inspired BWT and SVM. International Journal of Biomedical Imaging, 2017, 1-12. https://doi.org/10.1155/2017/9749108
https://doi.org/10.1155/2017/9749108
8. Al-Antari, M. A., Al-Masni, M. A., Choi, M. T., Han, S. M., & Kim, T. S. (2018). A fully integrated computer-aided diagnosis system for digital X-ray mammograms via deep
https://doi.org/10.1016/j.ijmedinf.2018.06.003
learning detection, segmentation, and classification. International Journal of Medical Informatics, 117, 44-54. https://doi.org/10.1016/j.ijmedinf.2018.06.003
https://doi.org/10.1016/j.ijmedinf.2018.06.003
9. Image filtration. Retrieved from: http://ki.tneu.edu.ua/?c=CV&f=show#filtration
10. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In 25th International Conference on Neural Information Processing Systems (pp. 1097-1105). https://doi.org/10.1145/3065386
https://doi.org/10.1145/3065386
11. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. https://doi.org/10.48550/arXiv.1409.1556
12. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 1-9). https://doi.org/10.1109/CVPR.2015.7298594
https://doi.org/10.1109/CVPR.2015.7298594
13. Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (Vol. 1, p. 3). https://doi.org/10.1109/CVPR.2017.243
https://doi.org/10.1109/CVPR.2017.243
14. Coupé, P., Manjón, J. V., Fonov, V., Pruessner, J., Robles, M., & Collins, D. L. (2011). Patch-based segmentation using expert priors: Application to hippocampus and ventricle segmentation. NeuroImage, 54(2), 940-954. https://doi.org/10.1016/j.neuroimage.2010.09.018
https://doi.org/10.1016/j.neuroimage.2010.09.018
15. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 234-241). Springer. https://doi.org/10.1007/978-3-319-24574-4_28
https://doi.org/10.1007/978-3-319-24574-4_28
16. Chen, X., Williams, B. M., Vallabhaneni, S. R., Czanner, G., Williams, R., & Zheng, Y. (2019). Learning active contour models for medical image segmentation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 11632-11640). https://doi.org/10.1109/CVPR.2019.01192 17. UNet: a convolutional network for biomedical image segmentation. Retrieved from: https://hpc.nih.gov/apps/unet.html
https://doi.org/10.1109/CVPR.2019.01190
18. Halalli, B., & Makandar, A. (2018). Computer-aided diagnosis-medical image analysis techniques. Breast Imaging, 85(85), 109-121. https://doi.org/10.1016/j.breast.2018.03.006
https://doi.org/10.1016/j.breast.2018.03.006
19. Березький О. М., Мельник Г.М., Батько Ю.М., Дацко Т. В. Інтелектуальна система для діагностування різних форм раку молочної залози на основі аналізу гістологіч-них і цитологічних зображень. Науковий вісник НЛТУ України: зб. наук.-техн. праць. Львів: РВВ НЛТУ Украї-ни. 2013. Вип. 23.13. С. 357-367.
20. Березький О. М., Батько Ю.М., Мельник Г.М. Комп'ютерна система аналізу біомедичних зображень. Вісник Національного університету «Львівська політех-ніка». Комп'ютерні науки та інформаційні технології. 2009. № 570. С. 84-89.
21. Березький О. М. Методи та алгоритми перетворення кон-турів зображень в афінному просторі. Вісник Національ-ного університету «Львівська політехніка». Комп'ютерні науки та інформаційні технології. 2009. № 638. С. 185-189.
22. Березький О. М., Березька К. М., Попіна С. Ю. Статисти-чне оброблення цитологічних зображень. Вісник Хмель-ницького національного університету: зб. наук.-техн. праць. Сер.: Технічні науки. 2012. № 5. С. 161-164.