Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Jakub Garstka

Detekcja zapalenia płuc w rentgenowskich obrazach klatki piersiowej za pomocą uczenia głębokiego


Pneumonia detection in X-ray chest images based on deep learning


Opiekun pracy dyplomowej: prof. dr hab. inż. Michał Strzelecki
Praca dyplomowa inżynierska obroniona 2020-02-18
Streszczenie pracy dyplomowej:
Sztuczna inteligencja staje się coraz ważniejsza w naszym codziennym życiu. Jako student inżynierii biomedycznej uznałem, że zastosowanie splotowych sieci neuronowych (z ang. Convolutional Neural Network - CNN) jest bardzo obiecujące pod względem przetwarzania obrazów medycznych i ułatwianiu diagnozy, a także czynienia jej bardziej precyzyjną. Dokładna diagnoza jest niezbędna, aby zastosować właściwe i skuteczne leczenie tak szybko, jak to możliwe, i dlatego lekarze są pod dużą presją prędkiego podejmowania decyzji. Moim zdaniem, sztuczna inteligencja może w niedalekiej przyszłości zastąpić ludzi w podejmowaniu decyzji diagnostycznych. W tej pracy przedstawiam w jaki sposób samodzielnie zbudowana sieć neuronowa, zaimplementowana w Pythonie 3 przy użyciu pakietu Keras oraz wyszkolona na stosunkowo niewielkim zestawie danych, jest w stanie zaklasyfikować zdjęcie rentgenowskie płuc do jednej z trzech kategorii, które reprezentują osoby zdrowe oraz te z bakteryjnym lub wirusowym zapaleniem płuc. Porównuję także, jak znaczący wpływ na wydajność modelu oraz zapobieganie nadmiernemu dopasowaniu może mieć proces augmentacji danych, czyli metod powiększających zestaw danych treningowych, używanych w strukturach CNN. Najbardziej wydajna metoda augmentacji została także wykorzystana do opracowania modelu klasyfikacji binarnej (chory/zdrowy), ponieważ takie modele, korzystające z tego samego zestawu danych, były najpowszechniejsze w literaturze naukowej. Najlepszy opracowany przeze mnie model do wieloklasowej dyskryminacji osiągnął dokładność na poziomie 85 %, przy wartościach czułości i swoistości kolejno 0,86 i 0,93. Jest to obiecujący wynik, zachęcający do dalszych badań i ulepszeń. Słowa kluczowe – Zapalenie płuc, Głębokie uczenie, Klasyfikacja obrazów, Konwolucyjna sieć neuronowa
Abstract:
Artificial intelligence is gaining in importance in our everyday lives. As a biomedical engineering student, I found the use of convolutional neural networks (CNN) a very promising technology in the area of medical images processing, where it could contribute to diagnostics becoming easier and more reliable. Accurate diagnosis is key in the selection of proper and effective treatment as quickly as possible, which is why doctors are under pressure to reach their decisions fast. In my opinion, AI has the potential to replace humans in making diagnostic decisions in the future. In this article, I present how a self-constructed neural network, implemented in Python 3 with use of Keras framework, trained on a relatively small dataset is able to classify X-ray images of lungs into one of three categories: healthy, those with bacterial pneumonia, and those with viral pneumonia. I also perform a comparative analysis of the degree of impact of data augmentation on the model’s performance and prevention of overfitting. The accuracy of the categorical classification as obtained by my convolutional neural network has reached the level of 85%, with sensitivity and specificity values of 0,86 and 0,93, which is a promising result for further work and improvement. Keywords – Pneumonia, Deep learning, Image classification, Convolutional neural network