Решение позволяет создать математическую модель на основании фотографических изображений, при помощи которой возможно повысить качество диагностирования и раннее выявление варикозной болезни вен нижних конечностей. Решение состоит из двух подсистем: системы классификации снимков/видео и системы сегментации снимков/видеопотока. Классификация фотографических снимков Технология создания системы поддержки принятия врачебных решений при анализе фотографических изображений с использованием математических моделей, включает следующие шаги: формирование обучающей выборки из размеченных фотографических изображений, с соответствующими диагнозами и принадлежности определенным анатомическим структурам (в данном случае нижние конечности), с помощью врачебного консилиума. обработка данных обучающей выборки, в ходе которой производится отбраковка некачественных данных. формирование обучающей и тестовой выборок синтетическое увеличение обучающей выборки обучение математических моделей поиск наилучшей итерации обучения в срезе диагнозов при помощи распознавания моделью изображений тестовой выборки В качестве математической модели для классификации изображений применяется глубокая сверточная нейронная сеть. Архитектура сети представляет стек сверточных слоев, в которых используются фильтры с очень маленьким рецептивным полем. Пространственное пополнение (padding) входа сверточного слоя выбирается таким образом, чтобы пространственное разрешение сохранялось после свертки. Пространственный пулинг осуществляется при помощи пяти max-pooling слоев, которые следуют за одним из сверточных слоев. После стека сверточных слоев идут несколько полносвязных слоев. Последним идет soft-max слой, определяющий распределение вероятностей класса входного изображения. Обучение сверточной нейронной сети подразумевает подачу на ее вход примеров и контрпримеров определенного количества графических данных (обучающей выборки). Для получения набора данных необходима его подготовка в процессе работы врачей-экспертов в рамках врачебного консилиума. В разработке системы обучающая выборка подготовлена двумя различными способами: Первый способ: экспертный. Врач-эксперт делает предварительную разметку снимков: определяет для снимка диагноз. Затем, снимок с диагнозом предлагается трем врачам экспертам для персональной оценки правильности предварительно установленного диагноза. Руководитель консилиума, исходя из полученных оценок определяет точный диагноз для снимка. Второй способ: гибридный. На основе данных, полученных при помощи экспертной разметки, производится обучение модели нейронной сети, при помощи которой производится разметка набора снимков с неустановленными экспертами диагнозами. Для поддержания равного количества снимков по каждому из диагнозов, снимки индексируются в системе консилиума в соответствии с недостающими данными по диагнозам и предлагаются трем врачам экспертам для персональной оценки правильности предварительно установленного диагноза. Руководитель консилиума, исходя из полученных оценок определяет точный диагноз. Для повышения качества классификации изображений применяются методы синтетического увеличения обучающей выборки путем увеличения, зеркалирования и вращения в допустимом диапазоне. Технология использования системы поддержки принятия врачебных врачебных решений на основании фотографических изображений с использованием математической модели, включает следующие шаги: подготовка снимка/видео, приведение к необходимому для распознания виду. определение анатомической части тела при помощи математической модели обученной на фотографических изображениях нижних конечностей. определение диагноза при помощи математической модели обученной на изображениях с различными диагнозами. результатом работы системы является набор кодов диагнозов в соответствии с МКБ-10 и вероятность их присутствия исходя из данного фотографического изображения. Для определения диагноза система получает данные представленные в виде фотографических изображений (jpg, png, tiff и другие графические форматы) или видео съемки (avi, mpg, mov, mkv и другие видео-форматы). Видео съемки может содержать несколько анатомических частей тела, в таком случае, определение нижних конечностей производится отдельно для каждого из кадров видео. Результатом обработки системой фотографических изображений или видео является набор отобранных изображений (только те анатомические структуры, с изображениями которых может работать система) и вероятные диагнозы на основе анализа отобранных изображений. Сегментация фотографических снимков/видеопотока Сегментированное изображение/видеопоток представляет собой обработанное изображение/видеопоток в котором выделены(сегментированы) отдельные анатомические структуры и/или патологии. Технология создания системы сегментации фотографических снимков/видеопотока включает следующие шаги: Производится разметка фотографических снимков, приводя снимок в вид схематиченого изображения с выделением необходимых анатомических структур. Формируется обучающая и тестовые выборки для обучения нейронной сети. Производится обучение нейронной сети сегментации фотографических изображений. В рамках данного технического решения в качестве математической модели для сегментации изображений применяется сверточная нейронная сеть. Для нормального восприятия сегментированного видеопотока необходима большая частота обработки кадров, которая достигается при помощи обучения низко ресурсоемких нейронных сетей с применением к ним дискриминатора. Суть идеи в комбинации двух нейросетей, при которой одновременно работает два алгоритма “генератор” и “дискриминатор”. Задача генератора – генерировать образы заданной категории. Задача дискриминатора – пытаться распознать созданный образ. Таким образом генератор генерирует определенные образы. Например, для фотографических изображений нижних конечностей генератор преобразует фрагменты изображений в сегмент похожий на имеющий признаки варикоза, а дискриминатор пытается определить точность сегментации. Точность работы

Производитель: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "АЛЬБЕДО"

Здравоохранение, медицина, фармацевтика