АНАЛИЗ МЕТОДОВ ЦИФРОВОЙ ОБРАБОТКИ ЭХОКАРДИОГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ И ПРОГРАММНЫХ СРЕДСТВ
Ключевые слова:
mitral stenoz, exokardiogramma, raqamli tasvirlarni qayta ishlash, klassifikatsiya, konvolyutsion neyron tarmoq, avtomatlashtirilgan diagnostika.Аннотация
В данной работе на основе 32 эхокардиографических видеозаписей интегрированы методы цифровой обработки изображений и сверточная нейронная сеть (CNN) для автоматического выявления митрального стеноза. За счет расширения данных был увеличен обучающий набор, а архитектура CNN, состоящая из 4 сверточных блоков, обучена для бинарной классификации. Модель показала точность 92% и ошибку 0.26 на тестовом наборе данных. Результаты продемонстрировали эффективность предложенного подхода в качестве вспомогательного инструмента для клинической диагностики.
Библиографические ссылки
Lau, E. S., et al. (2022). Deep Learning–Enabled Assessment of Left Heart Structure and Function Predicts Cardiovascular Outcomes. Circulation: Cardiovascular Imaging, 15(1), e013972. https://doi.org/10.1161/CIRCIMAGING.121.013972
Madani, A., Arnaout, R., Mofrad, M., & Arnaout, R. (2018). Fast and accurate view classification of echocardiograms using deep learning. NPJ Digital Medicine, 1(1), 6. https://doi.org/10.1038/s41746-017-0013-1
Yu, Y., & Acton, S. T. (2002). Speckle reducing anisotropic diffusion. IEEE Transactions on Image Processing, 11(11), 1260–1270. https://doi.org/10.1109/TIP.2002.804276
Balaji, G. N., Subashini, T. S., & Chidambaram, N. (2016). Detection and diagnosis of dilated cardiomyopathy and hypertrophic cardiomyopathy using image processing techniques. Egyptian Journal of Radiology and Nuclear Medicine, 47(4), 1211–1221. https://doi.org/10.1016/j.ejrnm.2016.06.021
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI), 9351, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: A self-adapting framework for U-Net-based medical image segmentation. Nature Methods, 18(2), 203–211. https://doi.org/10.1038/s41592-020-01008-z
Dabov, K., Foi, A., Katkovnik, V., & Egiazarian, K. (2007). Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions on Image Processing, 16(8), 2080–2095. https://doi.org/10.1109/TIP.2007.901238
Buades, A., Coll, B., & Morel, J. M. (2005). A non-local algorithm for image denoising. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2, 60–65. https://doi.org/10.1109/CVPR.2005.38
Rudin, L. I., Osher, S., & Fatemi, E. (1992). Nonlinear total variation based noise removal algorithms. Physica D: Nonlinear Phenomena, 60(1–4), 259–268. https://doi.org/10.1016/0167-2789(92)90242-F
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1251–1258. https://doi.org/10.1109/CVPR.2017.195
Amirata Ghorbani, et al. “Deep learning interpretation of echocardiograms”, npj Digital Medicine (2020), pp.1-14.
Nasimov, R., Muminov, B., Mirzahalilov, S., & Nasimova, N. “Algorithm of Automatic Differentiation of Myocardial Infarction from Cardiomyopathy based on Electrocardiogram.” 2020 IEEE 14th International Conference on Application of Information and Communication Technologies (AICT), pp. 1-5.
Luo C., Li X., Wang L., He J., Li D. and Zhou J.How Does the Data set Affect CNN-based Image Classification Performance // 5th International Conference on Systems and Informatics, - 2018, -P. 361-366
Suzuki K. Artificial neural networks – architectures and applications // InTech Publisher, Rijeka, Croatia, - 2013, - 264 p.
Bishop, C.M. Pattern Recognition and Machine Learning (Information Science and Statistics); Springer: Berlin/Heidelberg, Germany, 2007.
Nair, V.; Hinton, G.E. Rectified Linear Units Improve Restricted Boltzmann Machines. In Proceedings of the 27th International Conference on Machine Learning (ICML-10), Haifa, Israel, 21–24 June 2010; pp. 807–814.
Litjens G., et al. A Survey on Deep Learning in Medical Image Analysis. Medical Image Analysis, 2017.
Загрузки
Опубликован
Как цитировать
Лицензия
Copyright (c) 2025 Nigora Djurayeva, Mexriddin Raximov
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
