The application of coagulatory neon networks in medicine for the detection of ischemic heart diseases and their development prospects

Solomatin Vladyslav; Baibuz Oleh; Syrotenko Andrii

doi:10.34185/1562-9945-6-149-2023-05

Автор(и)

Solomatin Vladyslav
Baibuz Oleh
Syrotenko Andrii

DOI:

https://doi.org/10.34185/1562-9945-6-149-2023-05

Ключові слова:

Нейронна мережа, штучний інтелект, ішемічна хвороба серця, графік, Google Colab, Tensorflow, ResNet-50, Згорткова нейронна мережа.

Анотація

розглядається модель нейронної мережі яка застосовується до раннього виявлення ІЗС на основі зображень рентгенівських знімків. Особливістю дослідження є застосуванню згорткових нейронних мереж (ЗНМ) для автоматизації виявлення захво-рювань серця. У роботі використовували графічну інформацію, яку містить рентге-нівські знімки грудної клітки, анотовані досвідченим кардіологом. Було розроблено та навчено ЗНМ-модель, здатну виявляти ознаки ІЗС на основі рентгенівських знімків. Модель була навчена на доступній кількості знімків (700 одиниць) та протестована на наборі знімків різних пацієнтів. Результати дослідження показали, що ЗНМ ефектив-но розпізнає ознаки ІЗС на рентгенівських знімках. Використання натреновані нейрону мережу підвищує можливості ранньої діагностики ІЗС та допомогти лікарям при-ймати обґрунтовані рішення щодо лікування пацієнтів. Висновки цього дослідження підтверджують потенціал застосування ЗНМ у галузі медичної діагностики та вказують на новий крок у розвитку автоматизованого вияв-лення ІХС на основі рентгенівських знімків. Це відкриває перспективи для поліпшення точності та ефективності діагностики серцево-судинних захворювань та зниження навантаження на медичний персонал.

Посилання

Yihui He, Ji Lin, Zhijian Liu, Hanrui Wang, Li-Jia Li, and Song Han. Amc: Automl for model compression and ac-celeration on mobile devices. In European Conference on Com-puter Vision, pages 815–832. Springer, 2018.

Chenxi Liu, Barret Zoph, Maxim Neumann. Progressive Neural Architecture Search. p.19– 34, 2018.

Chieh Chen, George Papandreou Rethinking atrous convolution for semantic image seg-mentation, 2017.

Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V Le. Learning Transferable Archi-tectures for Scalable Image Recognition. CVPR, 2018.

H. Ahonen, O. Heinonen, M. Klemettinen, and A.I. Verkamo, “Applying Data Mining Techniques for Descriptive Phrase Extraction in Digital Document Collections,”, ст. 2-11, 2015.

DeVries T., Taylor G. W. Improved Regularization of Convolutional Neural Networks with CutOut, 2017. Available at: https://doi.org/10.48550/arXiv.1708.04552

Karen Simonyan, Andrew Zisserman, Very deep convolutional networks for large-scale image recognition. 2014. arXiv preprint arXiv:1409.1556.

Jacot Arthur, Gabriel Franck, Hongler Cl´ement. Neural Tangent Kernel: Convergence and Generalization in Neural Networks. — 2020. — 1806.07572.

Huang G., Liu Z., Weinberger K. Q. Densely connected convolutional networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21–26 July 2017. Honolulu, 2017, рр. 2261–2269. https://doi.org/10.1109/CVPR.2017.243