O’pka saratoni kasalligini aniqlashda cnn algoritm Маткурбонова Маржон

O’pka saratoni kasalligini aniqlashda CNN algoritm

Маткурбонова Маржон

Informativ belgilar majmuasini shakllantirish uchun o’pka kasalliklarini, ya’ni o’pka saratoni sindromini aniqlashda qo’yiladigan simptomlarni saralab olamiz:

Nafas olish, ehtimol siz ko'p o'ylamaydigan narsadir - garchi siz buni kuniga 25000 marta qilsangiz. Siz olgan har bir nafas o'pkadan kislorodni qon oqimiga etkazib berishga yordam beradi. Ammo o'pka kasalligi bo'lsa, bu boshqa hikoya. O'pka kasalligi aniqlanganlar soni ortib bormoqda. Va ko'proq ayollar o'pka kasalliklaridan o'lmoqda. Semptomlar sovuqni yoki allergiyani taqlid qilishi mumkin, shuning uchun ogohlantirish belgilaridir. O'pka kasalligi o'pkaga ta'sir qiladigan ko'plab kasalliklarni anglatadi. O'pka kasalligi paytida tanangiz etarli miqdorda kislorod olmasligi mumkin. Ayollarda eng ko'p uchraydigan o'pka kasalliklariga quyidagilar kiradi. Astma, bronxial naychalarning surunkali (davom etadigan) kasalligi, havoni o'pkadan va tashqariga olib chiqadigan havo yo'llari. Sizda astma bo'lsa, nafas olish yo'llari yallig'lanadi yoki shishadi va juda sezgir bo'ladi. Ular tutun, havoning ifloslanishi, mog'or, kimyoviy spreylar va boshqa tirnash xususiyati beruvchi moddalarga haddan tashqari ta'sir qilishadi. Nafas olish yo'llari polen va chang oqadilar kabi oddiy allergenlardan va sovuq kabi oddiy nafas yo'llari infektsiyalaridan bezovtalanishi mumkin. Bu sodir bo'lganda, nafas olish yo'llari torayib, nafas olishni qiyinlashtiradi. Surunkali obstruktiv o'pka kasalligi (KOAH), bu ikki holatni anglatadi, surunkali bronxit va amfizem. Ular ko'pincha birgalikda sodir bo'ladi. Ikkalasi ham nafas olishni qiyinlashtiradi va odatda vaqt o'tishi bilan yomonlashadi. Surunkali bronxit bilan nafas olish yo'llari tirnash xususiyati qiladi va qo'shimcha balg'am hosil qiladi, bu esa ko'p yo'talishga olib keladi. Vaqt o'tishi bilan nafas olish yo'llari chandiqlanib, o'pkadan va undan chiqadigan havo oqimini cheklaydi. Amfizem bilan o'pka to'qimasi zaiflashadi va havo yostig'i devorlari buziladi. Bu degani, kislorod qonga kamroq kirib, nafas qisilishi, xirillash va yo'talni keltirib chiqaradi. O'pka saratoni g'ayritabiiy (malign) o'pka hujayralarining ko'payishiga va nazoratsiz o'sishiga olib keladi. Ushbu saraton hujayralari yaqin atrofdagi to'qimalarni bosib, tananing boshqa qismlariga yoki ikkalasiga ham tarqalishi mumkin. O'pka saratonining ikkita asosiy turi mavjud: kichik hujayra va kichik bo'lmagan hujayra. O'pka saratonining aksariyati kichik bo'lmagan hujayralar bo'lib, ular kichik hujayralarga qaraganda sekinroq tarqaladi.

Ushbu kasalliklarda havoning ifloslanishi va allergiya ta'sir qilishi mumkin. Va oldini olish mumkin bo'lgan xavf omili aniq - tamaki iste'mol qilish bilan bog'liq. Agar cheksangiz, tashlab qo'ying. Agar sizga yaqin odam shunday qilsa, undan sigaretasini ochiq havoda olib ketishini iltimos qiling. Hatto tamaki tutuni ham zarar etkazmoqda. Ko'krak kasalliklarini o'z vaqtida tashxislash juda muhimdir. Buning uchun ko'plab usullar ishlab chiqilgan. Quyida biz O’pka saratonidagi kontsental va chuqur yondashuvlardan foydalangan holda O’pka saratonining rentgentifikatsiyalari tasnifini namoyish etamiz. O’pka saratoni kasalliklarini tashxislash uchun konvalyutsion neyron tarmoqlari (CNN)dan foydalanishda, CNN arxitekturasi va uning dizayni tamoyili taqdim etiladi. Qiyosiy maqsadlar uchun Backpropagation Neural tarmoqlari (BPNNS) uchun raqobatli o'quv, raqobatbardosh Neural tarmoqlari (CPNN) bilan ko'krak diagnostik kasalliklari uchun yaratilgan. Barcha CNN, BPNN va CPNN tarmoqlari bir xil O’pka saratoni rentgenogrammasi ma'lumotlar bazasida o'qitiladi va sinovdan o'tkaziladi va har bir tarmoqning bajarilishi ham muhokama qilinadi. Qiyoslash natijalar o'rtasida aniqlik, xato tezligi va o'qitish vaqti jihatidan tarmoqlar natijalarni taqdim etadi. O’pka saratonidagi rentgenologik xususiyatlarni tasniflash uchun tadqiqotchilar, ushbu vazifani aniq bajarish uchun ko'plab algoritmlarni taklif qilishgan. Rentgenografiyada miqdoriy tushunchaga ega bo'lgan shifokorlarga yordam berish uchun kompyuterlarga tashxis qo'yish (CAD) tizimlari qo’shimcha tarzda ishlab chiqilgan. Biroq, ushbu CAD tizimlari rezervuarlarning sharxlar turida rentgen rentgen shartlari turida qarorlar chiqarish uchun muhim ahamiyatga ega bo'lolmas edi. Shunday qilib, ularning roli vizualizatsiya funktsiyalari sifatida qoldirildi, ular qaror qabul qilishda yordam beradi holos. Tashxislashda Backpropagation Neyron Tarmog’i (BPNN), Competetive Neyron Tarmog’i (CMNN) algoritmidan foydalanish o’rinlidir. Quyida esa Convolutional Neyron
Tarmog’ini (CNN) ko’rib chiqamiz:

Chuqur o'rganish - bu sutemizuvchilar miyasining chuqur tuzilishidan ilhomlangan mashinaning o'rganish usuli hisoblanadi. Chuqur tuzilmalar turli xil darajadagi xususiyatlarni mavhumlashtirishga imkon beradigan bir nechta yashirin qatlamlar bilan tavsiflanadi. 2006 yilda Xinton va boshqalar chuqur me'morchilikning neyron qatlamlarini o'rgatish uchun yangi algoritm ishlab chiqdi, ular buni ochko'z qatlamli trening deb atashdi. Ushbu o'rganish algoritmi nazoratsiz bir qatlamlik ochko'zlik bilan mashg'ulot sifatida qaraladi, bu yerda chuqur tarmoq qatlamma-qatlam o'qitiladi. Ushbu usul yanada samaraliroq bo'lganligi sababli, u ko'plab chuqur tarmoqlarni tayyorlash uchun ishlatila boshlandi. Eng qudratli chuqur tarmoqlardan biri bu kirish ma'lumotlarining pastdan yuqori darajalarigacha bo'lgan xususiyatlarini ajratib olish uchun konvolyutsiya va subamplingni amalga oshiradigan bir nechta yashirin qatlamlarni o'z ichiga oladigan konvolyutsion neyronlar tarmog'idir. Ushbu tarmoq turli sohalarda, xususan, kompyuterni ko'rish, biologik hisoblash, barmoq izlarini kuchaytirish va boshqalarda katta samaradorlikni namoyish etdi. Asosan, ushbu turdagi tarmoqlar uchta qatlamdan iborat: konvolyutsiya qatlamlari, subampling yoki hovuzlash (pooling) qatlamlari va to'liq ulanish qatlamlari. 2.1.3-rasmda konvulsion neyron tarmoqning (CNN) tipik arxitekturasi ko'rsatilgan. Qatlamning har bir turi quyidagi bo'limlarda qisqacha tushuntiriladi.

2.1.3-rasmda konvulsion neyron tarmoqning (CNN) tipik arxitekturasi

Ushbu qatlamda R-C o'lchamdagi kirish tasviri 2.1.3-rasmda ko'rsatilgandek a ∗ a o'lchamdagi yadro (filtr) bilan o'ralgan bo'lib, kirish matritsasining har bir bloki yadro bilan mustaqil ravishda o'ralgan va chiqishda piksel hosil qiladi. . Kirish tasviri va yadrosining konvolyutsiyasi natijasi n chiqish tasvir xususiyatlarini yaratish uchun ishlatiladi. Odatda konvolutsiya matritsasining yadrosi filtr deb ataladi, yadro konvolyutsiyasi natijasida olingan tasvir xususiyatlari va kirish tasvirlari i ∗ i o'lchamdagi xususiyat xaritalari deb ataladi. CNN bir nechta konvolyutsion qatlamlarni o'z ichiga olishi mumkin, keyingi konvolyutsion qatlamlarning kirish va chiqishi xususiyatlar vektori hisoblanadi. Har bir konvolyatsiya qatlamida bir nechta n filtr mavjud. Ushbu filtrlar kirish bilan biriktiriladi va hosil bo'lgan xususiyat xaritalarining chuqurligi (n ∗) konvolyatsiya jarayonida qo'llaniladigan filtrlar soniga tengdir.

C j (l) deb belgilangan l-konvolyutsiya qatlamining chiqishi xususiyat xaritalaridan iborat. Sifatida hisoblanadi:

= + *

bu erda - bu noto'g'ri matritsa va - konversiya filtri yoki a*a o'lchamdagi yadro, bu j-chi xususiyat xaritasini (l-1) qatlam bilan i-chi bilan bog'laydi. bir xil qatlamdagi xususiyat xaritasi. Chiqish qatlami xususiyat xaritalaridan iborat. birinchi konvolyutsion qatlam kirish maydoni, ya'ni = .

Yadro xususiyat xaritasini yaratadi. Konvolyutsiya qatlamidan so'ng konvolyutsion qatlam natijalarini chiziqli bo'lmagan konvertatsiya qilish uchun faollashtirish funktsiyasini qo'llash mumkin:

=Y ( =),

bu erda - faollashtirish funktsiyasining chiqishi va - u qabul qiladigan kirish.

Odatda sigmasimon, tan va rektifikatsiyalangan chiziqli birliklar (ReLU) faollashtirish funktsiyalari qo'llaniladi. Bu yerda = max (0, ) deb belgilangan ReLUlar ishlatilgan. Ushbu funktsiya shovqinni va chiziqli bo'lmagan ta'sirlarni kamaytirishda yordami tufayli chuqur o'rganish modellarida keng qo'llaniladi. ReLU, salbiy kirishni qabul qilsa, chiqishni 0 ga o'zgartiradi, agar u ijobiy bo'lsa, xuddi shu kirish qiymatini qaytaradi. Ushbu faollashtirish funktsiyasining boshqa funktsiyalardan ustunligi - bu to'yingan mintaqada juda kichik bo'lgan xato hosilasi tufayli tezroq o'qitish; shuning uchun og'irliklarning yangilanishi deyarli yo'q bo'lib ketadi. Bunga g'oyib bo'layotgan gradient muammosi deyiladi.

Quyida O’pka saratoni rentgenologik tibbiy tasvirlari uchun ishlatiladigan konvolyatsion neyronlar tarmog'ining dizayni keltirilgan. Tarmoq parametrlarini o'rganish uchun mos qiymatlar tajribalar orqali aniqlanadi. Olingan 120 ta rasmning 70% o'qitish uchun, 30% esa tarmoqni tasdiqlash uchun ishlatiladi. Tarmoqning kirish tasvirlari 32 × 32 hajmda. Chiqishlar 12 ta sinfdan iborat. Taklif etilayotgan CNN 3 ta yashirin qatlamni o'z ichiga oladi. 2.1.1-jadvalda CNN tuzilishi va uni o'rganish parametrlari keltirilgan. Bu yerda "Conv" konvolyutsiya qatlamini, "BN" ommaviy normallashtirishni, "FM" xususiyat xaritalarini va "FC" to'liq bog'langan qatlamni anglatadi. Shuni esda tutingki, 3 × 3 o'lchamdagi filtrlar barcha konvolyatsiya operatsiyalarida plomba bilan ishlatiladi, barcha to'plash operatsiyalari 2 × 2 o'lchamdagi maksimal to'plash oynalari yordamida amalga oshiriladi.

CNN ning o’qitilish parametrlari:

Qatlamlar	Ta’riflar	Qiymatlar
Kiruvchi qatlam	Kirish tasviri	32*32*1 o’lchamdagi qiymati nol bo’lgan normallashtiruvchi tasvir
Yashirin qatlam 1	Konv1+ommaviy normallashtirish+ReLu+Pool (havzali, chuqur)1	O’lchovi 10*10 bo’lgan 32ta xususiyatli xarita Qadami 2*2 ga teng bo’lgan yadro kattaligi
Yashirin qatlam 2	Konv2+ommaviy normallashtirish+ReLu+Pool (havzali, chuqur)2	O’lchovi 10*10 bo’lgan 32ta xususiyatli xarita Qadami 2*2 ga teng bo’lgan yadro kattaligi
Yashirin qatlam 3 Tasniflash qatlami	Konv3+ommaviy normallashtirish+ReLu+Pool (havzali, chuqur)3 To’liq bog’langan qatlam Softmax	O’lchovi 10*10 bo’lgan 64ta xususiyatli xarita 2ta to’liq bog’langan qatlam 2 birlik

2.1.1-jadvalda CNN tuzilishi va uni o'rganish parametrlari

Simulyatsiya paytida mavjud bo'lgan ma'lumotlarning hajmi va modelni tuzish uchun tizimning texnik xususiyatlari hisobga olindi. Shunday qilib, o’qitiluvchi ma’lumotlarni tashlashni o'rgatish sxemalari va partiyani normallashtirish qo'llaniladi va namunalarni umumlashtirishni takomillashtirishga erishildi. Bundan tashqari, CNN modelini o'qitish uchun 0,001 va 40,000 takrorlashning o'rganish darajasi qo'llaniladi.

Quyidagi rasmda O’pka saratoni rentgen tasvirlarining turli darajadagi xususiyatlarini ekstrakti keltirilgan. CNNning birlashuvchi qatlami.

2.1.4-rasm: O'rganilgan filtrlar: (a) konvolyutsiya qatlami 1 va (b) hovuz (pooling) qatlami 1

Quyida, uchta ishlaydigan tarmoqlarning tanib olish darajasi, o'qitish vaqti va o'rtacha kvadrat xatosi (MSE) bo'yicha ko'rsatkichlari quyidagi jadvalda tasvirlangan:

BPNN, CpNN va CNN ishlashi:

Tarmoq modellari	O'quv vaqti	Tanib olish darajasi	MSE ga yetib bordi	Takrorlashlarning maksimal soni
BPNN2	630 soniya	80.04%	0.0025	5000
CpNN2	300 soniya	89.57%	0.0036	1000
CNN	2500 soniya	92.4%	0.0013	40 000

2.1.2-jadval

Jadvallarida ko'rsatilgandek, mashg'ulotlar va sinovlar paytida tarmoqlar o'zlarini boshqacha tutadi va bu aniq uchta ishlaydigan tarmoqlarning tuzilmalari, ishlash printsiplari va o'qitish algoritmlari farqiga bog'liq. Shuningdek, 2.1.2-jadvalda CNN boshqa ishlaydigan tarmoqlar bilan taqqoslaganda o'qitish va ma'lumotlarni sinash uchun eng yuqori tanib olish darajasiga erishdi. Aksincha, CNN-ning boshqa tarmoqlarga nisbatan yuqoriroq ishlashi BPNN2 va CpNN2-larga qaraganda ko'proq vaqt va ko'proq o'rganish takrorlanishini talab qiladi. Bundan tashqari, uchta tarmoq MSE-ning eng past ko'rsatkichiga erishganini ko'rish mumkin, CNN esa eng past ko'rsatkichga ega (0.0013). Bundan tashqari, CNNning yaqinlashishi uchun zarur bo'lgan vaqt BPNN2 va CpNN2 ga qaraganda ancha yuqori ekanligi ta'kidlangan. Binobarin, bu konvolyutsion asab tizimining chuqurligi bilan bog'liq bo'lib, u odatda uzoq vaqt talab qiladi, xususan, kirish soni ko'p bo'lganda. Shunga qaramay, ushbu chuqur tuzilish BPNN va CpNN kabi boshqa tarmoqlarga nisbatan yuqori tan olinish ko'rsatkichiga erishishning asosiy omili hisoblanadi. Va nihoyat, 9-rasmda CNN sinov paradigmasining namunasi ko'rsatilgan. Tarmoqlar birinchi navbatda O’pka saratoni rentgenogrammasini kirish sifatida qabul qiladi va sinflarning ehtimolligini chiqaradi.

2.1.5-rasm: Sinflar ehtimolligi bilan O’pka saratoni rentgenogrammasining so'nggi tasnifi.

2.