Специалисты из научно-исследовательской организации «Мозг, когнитивные системы, искусственный интеллект» создали способ расширения набора данных, используемых для обучения нейронных сетей, что способствует повышению точности выявления туберкулеза на рентгеновских изображениях. Информация об этом представлена в сборнике Международный архив ISPRS по фотограмметрии, дистанционному зондированию и геоинформационным технологиям .
Туберкулез продолжает оставаться одной из наиболее распространенных инфекций в мире, ежегодно приводя к гибели более чем миллиона человек. Даже при наличии достижений в области медицины, своевременная диагностика всё ещё представляет собой проблему, в особенности в тех регионах, где ощущается дефицит опытных специалистов по рентгенологии. Современные методы машинного обучения способны оказывать помощь врачам в выявлении признаков заболевания на рентгеновских изображениях грудной клетки, но их эффективность во многом определяется количеством и качеством используемых данных для обучения.
Группа, состоящая из студентов и сотрудников МГУ (Сенотова Ю.Д., к.ф.-м.н. Пчелинцев Я.А. и проф. Крылов А.С.), разработала предложение по применению алгоритма Fast and Adaptive Bidimensional Empirical Mode Decomposition (FABEMD) для «увеличения данных» — создания новых вариантов рентгеновских изображений путем адаптивного удаления фоновых структур. Этот метод позволяет получить дополнительные снимки, сохраняющие диагностически важные особенности, но разнообразные по структуре, что повышает устойчивость и точность работы нейросетей.
Исследования проводились с использованием нескольких общедоступных международных баз данных (Montgomery, Shenzhen, TBX11K, Sakha-TB и других), содержащих тысячи рентгеновских изображений. Полученные результаты продемонстрировали, что включение синтетических изображений в обучающие наборы данных способствует улучшению точности диагностики моделей, в особенности при работе со сложными наборами, характеризующимися небольшим объемом информации.
«Мы показали, что использование FABEMD позволяет не только улучшить качество классификации снимков, но и сделать модели более устойчивыми к изменениям качества данных. Это особенно важно в медицинских задачах, где наборы изображений часто ограничены, а их характеристики зависят от оборудования и условий съемки», — подчеркивает Андрей Крылов, профессор кафедры математической физики ВМК МГУ.
По мнению авторов, предложенный метод может быть использован и в других областях медицинской визуализации, где наблюдается дефицит данных и необходима высокая точность, например, при диагностике заболеваний легких, в офтальмологии и онкологии.