Актуальність теми. Наразі відзначається широке впровадження комп'ютерних технологій у медицині. Використання та аналіз штучного інтелекту визначають перспективну галузь, що сприяє прискоренню розвитку медичної науки. З метою автоматизації, підвищення ефективності та поліпшення точності методів діагностики пропонується застосування згорткових нейронних мереж.
У медицині неможливо уникнути використання зображень, які допомагають лікарям більш ефективно ставити діагнози. Сегментація медичних зображень є важливим етапом обробки. Актуальною задачею є розробка алгоритму для сегментації ультразвукових зображень з метою виявлення та відокремлення новоутворень.
Діагностика та лікування раку молочної залози (МЗ) є життєво важливою проблемою у всьому світі. В Україні та світі одним із найбільш поширених онкологічних захворювань серед жінок є саме рак МЗ. Це захворювання – причина смерті кожної дев’ятої жінки. За ранньої правильної діагностики можливо зменшити рівень летальності.
Мета і завдання дослідження.
Метою роботи є розробка автоматизованої системи сегментації медичних зображень.
Для досягнення поставленої мети роботи потрібно вирішити ряд завдань:
– провести огляд наукової літератури по темі наукового дослідження, розглянути існуючі розробки в сфері діагностики за допомогою нейронних мереж;
– розробити програмні алгоритми;
– зробити підбір параметрів і метрик;
– провести тестування алгоритму;
– навчити нейронну мережу.
Об’єкт дослідження – процес автоматизованого аналізу ультразвукових зображень.
Предмет дослідження – методи автоматизованої семантичної сегментації ультразвукових медичних зображень.
Методи дослідження. Для вирішення поставлених задач проведено аналіз інформації про існуючі розробки в діагностики за допомогою машинного навчання, ознайомлення з теоретичним матеріалом, проведення порівняльного аналізу наявних методів діагностики, архітектур, навчання розроблених алгоритмів.
Наукова новизна отриманих результатів. Результатом розробки є система сегментації ультразвукових зображень молочних залоз. Новизна створеної система полягає в підвищенні точності діагностики.
Практичне значення отриманих результатів роботи полягає в тому, що отримана система дозволяє автоматизована ефективно діагностувати захворювання.
Публікації. За використанням отриманих в кваліфікаційній роботі магістра було опубліковано працю конференції «Підвищення ефективності сегментації ультразвукових зображень із використанням мережі Attention U-Net» у збірник праць XIX Всеукраїнської науково-практичної конференції студентів, аспірантів та молодих вчених «Ефективність та автоматизація інженерних рішень у приладобудуванні».
Структура роботи. Кваліфікаційна робота магістра складається з пояснювальної записки та графічних матеріалів. Пояснювальна записка містить вступ, 5 розділів, висновки, список використаних джерел та додатки. Обсяг роботи: пояснювальна записка – 78 аркушів формату А4, 29 ілюстрацій, 29 таблиць, було опрацьовано 42 джерела.
Керівник: ст. в., д.ф. Момот А.С.
Повний текст дисертації (.pdf)
Повний перелік магістерських дисертацій
Перелік літературних посилань
[1] Куц, Ю. В. Спеціальні розділи математики. Курс лекцій [Електронний ресурс] / Ю. В. Куц, Ю. Ю. Лисенко ; КПІ ім. Ігоря Сікорського. –Київ: КПІ ім. Ігоря Сікорського, 2022. – 180 с.
[2] Mathur, Prashant. Cancer statistics, 2020: report from national cancer registry programme, India. – JCO global oncology 6, 2020. – 1063p.
[3] Носовець, О. К. Створення інформаційної системи для прогнозування перебігу раку молочної залози після проведеного лікування / О. К. Носовець, Ю. Є. Скорик // Міжнародний науковий журнал "Інтернаука". — 2018. — № 8(1). — С. 93-96.
[4] Ultrasound examination of the mammary glands. Step by step. From simple to complex: textbook / А. N. Sencha. – Kyiv: MEDpress-inform, 2018. – 184 p.
[5] Галаган Р. М. Теоретичні основи ультразвукового неруйнівного контролю: підручник / Р. М. Галаган. – Київ: КПІ ім. Ігоря Сікорського, 2019. – 263 с.
[6] Steshenko Y. V. Automation of the process of segmentation of images of metal surface defects using the neural network U-Net / Y.V. Steshenko, A.S. Momot, A.G. Protasov O.V. Muraviov //
[7] Momot A. Automation of ultrasound breast cancer images classification using deep neural networks / A. Momot, R. Galagan, M. Zaboluieva // Sciences of Europe. – 2022. – №96. – pp. 38–41. DOI
[8] Сторожик Д. В. Комплексування зображень, як спосіб покращення якості бінарної сегментації / Д. В. Сторожик, О. В. Муравйов // XV Всеукраїнська науково-практична конференція студентів, аспірантів та молодих вчених «Ефективність інженерних рішень у приладобудуванні», 10-11 грудня. – Київ, Україна. – 2019. – С. 290-293.
[9] Momot A. Deep learning automated data analysis of security infrared cameras / A. Momot, I. Skladchykov // Slovak international scientific journal. – 2021. – №52. – pp. 13–16.
[10] Momot A. Deep Learning Automated System for Thermal Defectometry of Multilayer Materials / A. Momot, R. Galagan, V. Gluhovskii. // Devices and Methods of Measurements. – 2021. – №12. – pp. 98–107.
[11] Баженов В. Г. Електроніка. Лабораторний практикум [Електронний ресурс] / В. Г. Баженов, Є. Ф. Суслов, Ю. Ю. Лисенко, А. С. Момот ; КПІ ім. Ігоря Сікорського. – Київ : КПІ ім. Ігоря Сікорського, 2022. – 70 с.
[12] Сторожик Д. В. Комплексування мультиспектральних зображень, як метод підвищення їх інформативності при бінарній сегментації / Д. В. Сторожик, О. В. Муравйов, А. Г. Протасов, В. Г. Баженов, Г. А. Богдан // Наукові вісті КПІ. – 2020. № 2. – С. 82-87.
[13] An experimental study on breast lesion detection and classification from ultrasound images using deep learning architectures - BMC Medical Imaging [Electronic resource] // BioMed Central.
[14] Breast Tumor Segmentation from Ultrasound Using Deep Learning- MATLAB & Simulink [Electronic resource] // MathWorks - Makers of MATLAB and Simulink - MATLAB & Simulink.
[15] Parsakh. Breast Cancer Classification -VGG and EfficientNet [Electronic resource] / Parsakh // Kaggle: Your Machine Learning and Data Science Community.
[16] kaledhoshme. Breast cancer segmentation - More Augmentation) [Electronic resource] / kaledhoshme // Kaggle: Your Machine Learning and Data Science Community.
[17] Skladchykov I.O. Application of YOLOX deep learning model for automated object detection on thermograms / I. O. Skladchykov, A. S. Momot, R. M. Galagan, Bohdan G.A., Trotsiuk K.M. // Information Extraction and Process. – 2022. – №50. – pp. 69–77.
[18] Галаган Р.М., Андреєв С.М., Петрик В.Ф., Баженов В.Г., Лисенко Ю.Ю. Виявлення дефектів бетонних конструкцій на основі аналізу зображень за допомогою згорткових нейронних мереж. Вчені записки ТНУ імені В.І. Вернадського. Серія: Технічні науки. 2023. Том 34 (73), № 2. с. 138-144.
[19] Муравйов О. В. Автоматизація методу термографічної діагностики патологій організму людини / О. В. Муравйов, В. Ф. Петрик, Ю. Ю. Лисенко, Г. А. Богдан, А. В. Наконечная // Таврійський науковий вісник. Серія: Технічні науки. – 2022. – №1. – С. 47-53
[20] Zhou, Xiangrong, et al. // Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method // Medical physics, — 2017. — pp. 5221-5233.
[21] Long J. Fully convolutional networks for semantic segmentation [Електронний ресурс] / Jonathan Long, Evan Shelhamer, Trevor Darrell // 2015 IEEE conference on computer vision and pattern recognition (CVPR), Boston, MA, USA, 7–12 June 2015. – [S. l.], 2015.
[22] Semantic Segmentation with Extended DeepLabv3 Architecture [Electronic resource] // IEEE Xplore.
[23] S. Ren, K. He, R. Girshick, and J. Sun. Faster R-CNN // Towards real-time object detection with region proposal networks // In NIPS, — 2015 — pp. 2-10.
[24] Manjunath, R. V.; Kwadiki, Karibasappa. // Modified U-NET on CT images for automatic segmentation of liver and its tumor. Biomedical Engineering Advances, — 2022. — pp. 103-110.
[25] Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. // U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention. — Springer, Cham, — 2015. — pp. 155–170.
[26] Стешенко, Я. В. Удосконалення алгоритмів сегментації зображень поверхневих дефектів металевих виробів : магістерська дис. : 151 Автоматизація та комп'ютерно-інтегровані технології / Стешенко Ярослав Віталійович. – Київ, 2023. – 111 с.
[27] DoubleU-Net: a deep convolutional neural network for medical image segmentation [Електронний ресурс] / Debesh Jha [та ін.] // 2020 IEEE 33rd international symposium on computer-based medical systems (CBMS), Rochester, MN, USA, 28–30 July 2020. – [S. l.], 2020.
[28] Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation [Electronic resource] // arXiv.org.
[29] Oktay, Ozan, et al. Attention u-net: Learning where to look for the pancreas. // arXiv preprint. — 2018. — pp. 99–119.
[30] Sarah Guido, Andreas Müller. Introduction to Machine Learning with Python. A guide for Data Scientists. — O’Rilly Media, 2016. — 285p.
[31] Artificial Neural Networks Based Optimization Techniques: A Review [Electronic resource] // MDPI.
[32] Joseph F. J. J. Keras and TensorFlow: A Hands-On Experience [Електронний ресурс] / Ferdin Joe John Joseph, Sarayut Nonsiri, Annop Monsakul // Advanced deep learning for engineers and scientists. – Cham, 2021. – С. 85– 111.
[33] Ketkar N. Introduction to keras [Електронний ресурс] / Nikhil Ketkar // Deep learning with python. – Berkeley, CA, 2017. – С. 97–111.
[34] Al-Dhabyani W, Gomaa M, Khaled H, Fahmy A. Dataset of breast ultrasound images. Data in Brief. 2020 Feb; 28:104863.
[35] Bishop, C. M. (2006). Pattern recognition and machine learning. New York, NY: Springer.
[36] Steger C. Machine vision algorithms and applications / Carsten Steger, Markus Ulrich, Christian Wiedemann. – [S. l.]: Wiley & Sons, Incorporated, John, 2017. – 516 p.
[37] Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspec-tives, and prospects. Science, 349, 255–260.
[38] Заболуєва М. Ю. Підвищення ефективності сегментації ультразвукових зображень із використанням мережі Attention U-Net / М. Ю. Заболуєва, А. С. Момот // Збірник праць XIX Всеукраїнської науково-практичної конференції студентів, аспірантів та молодих вчених “Ефективність та автоматизація інженерних рішень у приладобудуванні”, 20-21 грудня 2023 р. – К.: ПБФ, КПІ ім. ІгоряСікорського. – 2023. – С. 348-350.
[39] Image Processing with Labview and Imaq Vision / T. K. Klinger. – New Jearsey, USA: Prentice Hall, 2018. – 350 p.
[40] Розроблення стартап-проекту [Електронний ресурс] : Методичні рекомендації до виконання розділу магістерських дисертацій для студентів інженерних спеціальностей / За заг. ред. О.А. Гавриша. – Київ : НТУУ «КПІ», 2016. – 28 с.
[41] Гавриш, О. А. Розробка стартап-проектів. Конспект лекцій [Електронний ресурс]: навчальний посібник для студентів спеціальностей 151 – «Автоматизація та комп’ютерно-інтегровані технології» та 152 – «Метрологія та інформаційно-вимірювальна техніка» / О. А. Гавриш, К. О. Бояринова, К. О. Копішинська; КПІ ім. Ігоря Сікорського. – Електронні текстові данні – Київ: КПІ ім. Ігоря Сікорського, 2019. – 188 с.
[42] Гавриш, О. А. Розробка стартап-проектів: практикум [Електронний ресурс]: навчальний посібник для студентів спеціальностей 151 – «Автоматизація та комп’ютерно-інтегровані технології» та 152 – «Метрологія та інформаційно-вимірювальна техніка» / О. А. Гавриш, К. О. Бояринова, К. О. Копішинська; КПІ ім. Ігоря Сікорського. – Електронні текстові данні – Київ: КПІ ім. Ігоря Сікорського, 2019. – 116 с.
