Сверточная нейронная сеть глубокого обучения для распознавания изображений инсульта: Обзор
DOI:
https://doi.org/10.26577/JMMCS.2021.v112.i4.09Ключевые слова:
искусственный интеллект, глубокое обучение, сверточная нейронная сеть, инсульт, МРТ, КТАннотация
Глубокое обучение является одним из развивающихся области исследования искусственного интеллекта. Она включает в себя методы машинного обучения, которые основаны на искусственных нейронных сетях. Одним из методов, который широко применяется и исследуется в последние годы, это – сверточные нейронные сети (CNN). Они имеют разный спектр задач исследований, и медицина одна из главных. На сегодняшний день, превалирующей глобальной проблемой считается острое нарушение кровоснабжения головного мозга – инсульт. Наиболее важными диагностическими исследованиями при инсульте считаются компьютерная томография (КТ), а также магнитно-резонансная томография (МРТ). Однако, несвоевременное распознавание и диагностирование со стороны специалиста могут повлиять на жизни многих пациентов. Для подобных случаев, роль и помощь сверточных нейронных сетей велика. Сверточные нейронные сети глубокого обучения использует нелинейные реформирования и абстракции моделей высокого уровня в больших базах данных. Год за годом, достижения в области архитектуры глубокого обучения, а именно сверточных нейронных сетей, для распознавания инсульта вносят значительный вклад в развитие медицины. В этой статье представлен обзор достижения нейронных сетей глубокого обучения в распознавания инсульта по изображениям мозга. В следующем обзоре хронологически представлено, основная блок-схема нейронной сети и открытые базы данных, предоставляющие изображения МРТ и КТ. Кроме того, представлен сравнительный анализ использования сверточных нейронных сетей при выявлении инсульта, а также достигнутые показатели используемой методологий.
Библиографические ссылки
[2] Kim I. W., Oh J. M. Deep learning: from chemoinformatics to precision medicine //Journal of Pharmaceutical
Investigation. – 2017. – Т. 47. – №. 4. – С. 317-323.
[3] Benjamin E. J. et al. Heart disease and stroke Statistics-2020 update a report from the American Heart
Association //Circulation, vol. 141, pp. 139–596, 2020
[4] Benjamin E. J., Blaha M. J. chiuve SE, cushman M, das SR, deo R, de Ferranti Sd, Floyd J, Fornage M,
Gillespie c, et al //Heart disease and stroke statistics-2017 update: A report from the american heart association. circulation. – 2017. – Т. 135. – С. e146-e603.
[5] Xu J. et al. Mortality in the United States, 2012. – US Department of Health and Human Services, Centers for
Disease Control and Prevention, National Center for Health Statistics, 2014. – №. 168.
[6] Xu J. et al. Deaths: final data for 2007 //National vital statistics reports: from the Centers for Disease Control
and Prevention, National Center for Health Statistics, National Vital Statistics System. – 2010. – Т. 58. – №. 19. – С. 1-19.
[7] Messay T., Hardie R. C., Rogers S. K. A new computationally efficient CAD system for pulmonary nodule
detection in CT imagery //Medical image analysis. – 2010. – Т. 14. – №. 3. – С. 390-406.
[8] Rodrigues da Silva E. Ambiente virtual colaborativo de diagnóstico a distância integrado a ferramentas de
manipulação de imagens : дис. – Universidade Federal de Pernambuco, 2010.
[9] Mosavi A., Varkonyi-Koczy A. R. Integration of machine learning and optimization for robot learning
//Recent Global Research and Education: Technological Challenges. – Springer, Cham, 2017. – С. 349-355.
[10] Bengio Y. Learning deep architectures for AI. – Now Publishers Inc, 2009.
[11] Feng N., Geng X., Qin L. Study on MRI Medical Image Segmentation Technology Based on CNN-CRF
Model //IEEE Access. – 2020. – Т. 8. – С. 60505-60514.
[12] Calvachi P. European Stroke 2020: Stroke detection and subtype classification using Convolutional
Neural Networks (CNNs) //Alzheimer's and Dementia. – 2020.
[13] Liu L. et al. Deep convolutional neural network for automatically segmenting acute ischemic stroke lesion in
multi-modality MRI //Neural Computing and Applications. – 2019. – С. 1-14.
[14] Tomita N. et al. Automatic post-stroke lesion segmentation on MR images using 3D residual convolutional
neural network //NeuroImage: Clinical. – 2020. – С. 102276.
[15] Tolhuisen M. et al. A Convolutional Neural Network for Anterior Intra-Arterial Thrombus Detection and
Segmentation on Non-Contrast Computed Tomography of Patients with Acute Ischemic Stroke //Applied Sciences. – 2020. – Т. 10. – №. 14. – С. 4861.
[16] Integrating uncertainty in deep neural networks for MRI based stroke analysis accessed august 13, 2020,
https://arxiv.org/abs/2008.06332
[17] Gaidhani B. R., Rajamenakshi R. R., Sonavane S. Brain Stroke Detection Using Convolutional Neural
Network and Deep Learning Models //2019 2nd International Conference on Intelligent Communication and Computational Techniques (ICCT). – IEEE, 2019. – С. 242-249.
[18] Öman O. et al. 3D convolutional neural networks applied to CT angiography in the detection of acute
ischemic stroke //European radiology experimental. – 2019. – Т. 3. – №. 1. – С. 8.
[19] Marbun J. T. et al. Classification of stroke disease using convolutional neural network //Journal of Physics
Conference Series. – 2018. – Т. 978. – №. 1. – С. 012092.
[20] Pereira D. R. et al. Stroke lesion detection using convolutional neural networks //2018 International joint
conference on neural networks (IJCNN). – IEEE, 2018. – С. 1-6. [21] Gaidhani B. R., Rajamenakshi R. R., Sonavane S. Brain Stroke Detection Using Convolutional Neural
[21] Lisowska A. et al. Context-aware convolutional neural networks for stroke sign detection in non-contrast CT
scans //Annual Conference on Medical Image Understanding and Analysis. – Springer, Cham, 2017. – С. 494-505.
[22] Lisowska A. et al. Thrombus detection in ct brain scans using a convolutional neural network //International
Conference on Bioimaging. – SCITEPRESS, 2017. – Т. 3. – С. 24-33.
[23] Chen L., Bentley P., Rueckert D. Fully automatic acute ischemic lesion segmentation in DWI using
convolutional neural networks //NeuroImage: Clinical. – 2017. – Т. 15. – С. 633-643.
