ЗАСТОСУВАННЯ МОДЕЛІ EFFICIENTNET ДЛЯ ВИЯВЛЕННЯ ІШЕМІЧНОЇ ХВОРОБИ СЕРЦЯ (ІХС)
DOI:
https://doi.org/10.34185/1562-9945-1-156-2025-18Ключові слова:
Нейронна мережа, штучний інтелект, ішемічна хвороба серця, графік, Google Colab, Tensorflow, Efficientnet.Анотація
У даній статі розглядається модель нейронної мережі яка сприяє ранньому виявленню ішемії захворювання серця на рентгенівських знімках, яка відіграє важливу роль у діагностиці та лікуванні серцево-судинних захворювань. У цій статті пропонується дослідження, присвячене застосуванню згорткових нейронних мереж (ЗНМ) для автоматичного виявлення ішемічних захворювань серця на рентгенівських знімках. У роботі використовувався набір даних, що містить рентгенівські знімки грудної клі-тки, анотовані досвідченими кардіологом. Було розроблено та навчено ЗНМ-модель, здатну виявляти ознаки ішемічних захворювань на основі рентгенівських знімків. Мо-дель була навчена на невеликій кількості даних (700 знімків) та протестована на неза-лежному наборі тестових знімків. Результати дослідження показали, що згорткова нейронна мережа ефективно розпі-знає ознаки ішемічних захворювань серця на рентгенівських знімках з високою точніс-тю та надійністю. Це може значно покращити можливості ранньої діагностики ІЗС та допомогти лікарям приймати обґрунтовані рішення щодо лікування пацієнтів. Висновки цього дослідження підтверджують потенціал застосування згорткових ней-ронних мереж у галузі медичної діагностики та вказують на новий крок у розвитку автоматизованого виявлення ішемічних захворювань серця на основі рентгенівських знімків. Це відкриває перспективи для поліпшення точності та ефективності діагнос-тики серцево-судинних захворювань та зниження навантаження на медичний персо-нал.
Посилання
Tan, M., & Le, Q. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neu-ral Networks. Proceedings of the 36th International Conference on Machine Learning (ICML), PMLR 97:6105-6114.
https://arxiv.org/abs/1905.11946
Zhou, B., Khosla, A., Lapedriza, A., et al. (2016). Learning Deep Features for Discrimina-tive Localization. Proceedings of the IEEE Conference on Computer Vision and Pattern Rec-ognition (CVPR), 2921-2929.
https://arxiv.org/abs/1512.04150
Litjens, G., Kooi, T., Bejnordi, B. E., et al. (2017). A Survey on Deep Learning in Medical Image Analysis. Medical Image Analysis, 42, 60-88.
DOI:10.1016/j.media.2017.07.005
Wang, S., Zhou, B., Yu, H., et al. (2020). EfficientNet-Based Model for COVID-19 Diag-nosis on Chest X-Rays. Journal of Medical Systems, 44, 135.
DOI: 10.1007/s10916-020-01625-5
Jain, R., Gupta, M., Taneja, S., & Hemanth, D. J. (2019). Deep learning based detection and analysis of COVID-19 on chest X-ray images. Applied Intelligence, 51(3),1690-1700. DOI: 10.1007/s10489-020-01714-6
Lundervold, A. S., & Lundervold, A. (2019). An overview of deep learning in medical im-aging focusing on MRI. Zeitschrift für Medizinische Physik, 29(2), 102-127.
DOI: 10.1016/j.zemedi.2018.11.002
Ching, T., Himmelstein, D. S., Beaulieu-Jones, B. K., et al. (2018). Opportunities and ob-stacles for deep learning in biology and medicine. Journal of the Royal Society Interface, 15(141), 20170387. DOI: 10.1098/rsif.2017.0387
Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. (2017). Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. AAAI ConferenceonArtifici-alIntelligence.
Howard, A. G., Zhu, M., Chen, B., et al. (2017). MobileNets: Efficient Convolutional Neu-ral Networks for Mobile Vision Applications. ArXiv Preprint.
Rajpurkar, P., Irvin, J., Zhu, K., et al. (2017). CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning. ArXiv Preprint.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Системні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
