Инсультті тануға арналған конволюциялық нейрондық терең оқыту желісі: Шолу
DOI:
https://doi.org/10.26577/JMMCS.2021.v112.i4.09Кілттік сөздер:
жасанды интеллект, терең оқыту, конволюциялық нейрондық желi, инсульт, МРТ, КТАннотация
Терең оқыту-жасанды интеллектті зерттеудің дамып келе жатқан салаларының бірі. Ол жасанды нейрондық желілерге негізделген машиналық оқыту әдістерін қамтиды. Соңғы жылдары кеңінен қолданылатын және зерттелетін әдістердің бірі – конволюциялық нейрондық желілер (CNN). Конволюциялық нейрондық желілер әртүрлі зерттеу міндеттеріне ие, ал медицина саласы – басты міндеттердің бірі болып табылады. Бүгінгі таңда бас миының қанмен қамтамасыз етілуінің күрт бұзылуы – инсульт, басым жаһандық проблема болып саналады. Инсульттің ең маңызды диагностикалық зерттеулері – компьютерлік томография (КТ) және магниттік-резонанстық томография (МРТ). Алайда, маманның уақтылы диагноз қойып, көмектесе алмай қалуы көптеген пациенттердің өміріне әсер етуі мүмкін. Мұндай жағдайларда конволюциялық нейрондық желілердің рөлі мен көмегі зор. Терең оқытудың конволюциялық нейрондық желілері үлкен мәліметтер базасында жоғары деңгейлі модельдердің сызықты емес түрлендірулері мен абстракцияларын қолданады. Жылдан жылға терең білім беру архитектурасындағы жетістіктер, атап айтқанда инсультты тануға, конволюциялық нейрондық желілер медицинаның дамуына айтарлықтай үлес қосады. Бұл мақалада инсультты мидың суреттерінен анықтауға нейрондық терең оқыту желілерінің жетістіктері туралы шолу берілген. Берілген шолуда нейрондық желінің негізгі схемасы хронологиялық түрде ұсынылған және МРТ мен КТ суреттерін ашық түрде қолданысқа беретін мәліметтер базасы келтірілген. Сонымен қатар, инсультты анықтауда конволюциялық нейрондық желілерді қолдануға салыстырмалы талдау, сондай-ақ қолданылатын әдіснамалардың жетістік көрсеткіштері ұсынылған.
Библиографиялық сілтемелер
[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.
