Анализ данных для распознавания коронарных сосудов и предсказания ишемической болезни сердца. Созданное ПО увеличивает процесс распознавания до 76%. Время распознавания одного сета - 295 секунд.

1. Построение системы
распознавания
коронарных сосудов

2. 1000 ПОВОДОВ И 1 ПРИЧИНА
ОТКАЗАТЬСЯ ОТ ПРОЕКТА
Размер коронарного сосуда:
- 3 точки на МРТ-снимке
- 6 точек на КТ-снимках

3. ЦЕЛЬ: СПАСТИ МИР!

4. Данные.
Источники
Kaggle. Data Science Bowl Cardiac
Challenge
Kaggle. Sunnybrook Cardiac Data
Анонимизированные снимки
университетской поликлиники
Формат: DICOM

5. Нормализация
Изменить масштаб изображений,
чтобы все изображения имели
одинаковый объем в миллиметрах.
Данные о разрешении
изображения брались из DICOM
тега PixelSpacing.

6. Поиск области интереса
(Region of Interest, ROI)
преобразование Фурье для поиска
возможных зон локации сосудов

7. Нормализация контрастности
Выполнялась отдельно для каждого
изображения
Два варианта алгоритмов
нормализации:
1. гистограмма направленных градиентов
2. фильтр Габора

8. Качество разметки
отказаться от использования
автоматических систем (например,
встроенных в оборудование Siemens)
48 сетов переразмечены в 3D Slicer
правильность разметки - оценка
учеными-рентгенологами.

9. ПРИМЕРЫ РАЗМЕТКИ

10. Выбранные алгоритмы
34 сета, используя алгоритмы:
 СNN,
CNN+SR,
DENSENET
на NVIDIA Tesla k40c GPU на протяжении
600 эпох обучения (примерно 30 часов),
либо пока не получалось 100 эпох с
одинаковыми результатами.

11. РЕЗУЛЬТАТЫ ЭТАПА 1
протестирована на 14 сетах,
оставленных для контроля.
Наилучшая показанная точность -
69%,
скорость обработки 1 сета - 280
сек.

12. Новый challenge:
повысить точность распознавания

13. Увеличение объема данных
+72 сета данных
100 для обучения
 20 для контроля

14. Изменение схемы разметки

15. Расширение базы
 поворот на угол до 10 градусов
 сдвиг по ширине до 5%
 сдвиг по высоте до 5%
 сжатие до 5%
 увеличение до 5%
-заполнение пространства
10 случайных трансформаций по 1-5
параметрам для каждого сета, т.е. 1000
сетов для анализа

16. Изменение CNN:
технология дополнения данных
 создается 10 измененных вариантов с помощью
технологии дополнения данных, каждое изображение
сегментируется отдельно, а затем результаты
объединяются.
 + повысилась точность до 78%
 - увеличилось время на анализ до 530 сек
Надо: заменить нейронную сеть на
более быстродействующую.

17. ФИНАЛИСТ
DRUNET (dilated-residual U-Net),
которая является
модифицированным вариантом
сети U-Net с остаточными
соединениями и расширенной
сверткой.

18. ОБУЧЕНИЕ
Реализаций сети DRUNET и ее обучение
выполнена с использованием
библиотеки Keras.
 Обучение нейронной сети DRUNET
выполнялось с на основе 100 сетов
размеченных данных с использованием
дополнения данных . Обучение
выполнялось в течение 300 эпох с
использованием ускорителя NVIDIA
Tesla k40c GPU.

19. ТЕКУЩАЯ ВЕРСИЯ ПО
- Качество распознавания
коронарных сосудов: 76%
- Время распознавания одного
сета: 295 секунд.

20. Наши планы на будущее
Предсказание ишемической
болезни сердца

21. Вопросы?
np@innovationlabs.net
https://www.facebook.com/natalia.
polkovnikova