Борисов Александр Александрович – разработчик программного обеспечения; младший научный сотрудник
117997 Москва, ул. Островитянова, дом 1;
127051 Москва, ул. Петровка, д. 24, стр. 1
Alexander A. Borisov – software developer; Junior Researcher of Medical Intelligent Technologies
1, Ostrovityanova str., Moscow 117997;
24-1, Petrovka str., Moscow 127051
Семенов Серафим Сергеевич – младший научный сотрудник сектора разработки систем внедрения медицинских интеллектуальных технологий
127051 Москва, ул. Петровка, д. 24, стр. 1
Serafim S. Semenov – Junior Researcher in the Sector of Development of Systems for the Introduction of Medical Intelligent Technologies
24-1, Petrovka str., Moscow 127051
Арзамасов Кирилл Михайлович – канд. мед. наук, руководитель отдела медицинской информатики, радиомики и радиогеномики
127051 Москва, ул. Петровка, д. 24, стр. 1
Kirill M. Arzamasov – Cand. of Sci. (Med.), Head of the Department of Medical Informatics, Radiomics and Radiogenomics
24-1, Petrovka str., Moscow 127051
Цель исследования: разработать и протестировать алгоритмы определения проекции и поиска распространенных технических дефектов на рентгенограммах органов грудной клетки (ОГК) при помощи трансферного обучения, используя различные нейросетевые архитектуры.Материал и методы. Определялись такие несоответствия методики сканирования на рентгенограммах как некорректный выбор границ исследования, нарушение укладки и позиционирования пациентов. В качестве основы для создания алгоритмов было выбрано трансферное обучение нейросетевых архитектур VGG19 и ResNet152V2. Для обучения и тестирования алгоритмов были использованы рентгенограммы из баз данных с открытым доступом (общий объем более 230 тыс. исследований). Для валидации полученных алгоритмов был подготовлен тестовый набор данных из 150 анонимизированных рентгенограмм ОГК, полученных из Единого радиологического информационного сервиса города Москвы (ЕРИС) и оцененных врачами-экспертами и лаборантами-экспертами.Результаты. Все полученные алгоритмы имеют высокие показатели качества классификации. Максимальная точность на тестовом наборе данных была получена для модели, определяющей проекцию, AUC составил 1,0, минимальная точность: AUC 0,968 была получена для модели, определяющей ротацию грудной клетки на боковой проекции. На валидационном наборе данных максимальная точность была получена для модели, определяющей проекцию, AUC составил 0,996, минимальная точность: AUC 0,898 была получена для модели, определяющей ротацию грудной клетки на боковой проекции.Заключение. По значениям метрик диагностической точности для каждой из задач разработанные алгоритмы превысили пороговое значение в 0,81 и могут быть рекомендованы к практическому применению.
Purpose. To develop and test algorithms for determining the projection and searching for common technical defects on chest -rays using transfer learning with various neural network architectures.Materials and methods. Algorithms have been created to search for technical remarks such as incorrect choice of study boundaries and errors of patient positioning. Transfer learning of neural network architectures VGG19 and ResNet152V2 was chosen as the basis for creating algorithms. To train and test the algorithms, we used radiographs from open databases (over 230,000 studies in total). To validate the obtained algorithms, a test dataset was prepared from 150 anonymized chest x-rays unloaded from the Unified Radiological Information Service of the Moscow city (URIS) and evaluated by expert doctors and technicians.Results. All obtained algorithms have high classification quality indicators. The maximum accuracy on the test dataset was obtained for the model that determines the projection, AUC was 1.0, the minimum accuracy: AUC 0.968 was obtained for the model that determines the rotation of the chest on the lateral X-ray. On the validation dataset maximum accuracy was obtained for the model that determines the projection, AUC was 0.996, the minimum accuracy: AUC 0.898 was obtained for the model that determines the rotation of the chest on the lateral x-ray.Conclusions. All of diagnostic accuracy metrics for each of the models exceeded the threshold value of 0.81 and can be recommended for practical use.
The authors declare that there are no conflicts of interest present.