CC BY
26*й > 0, i = 1,1, t = 1, T xit — целые
Ограничение 2. По фондам времени групп оборудования:
S S S S S V ^ x« "j - 0' t = 1, T
i j k r g
Yjrt > 0, j = 1J, r = TR, t = 1T Y — целые
Ограничение 3. По производственной площади:
SS Sjr yjrt - S - 0, t = TT j r
Список литературы
1. Лукина С.В. Методика оптимизации производственной деятельности промышленного предприятия на основе комплекса прогностических моделей формирования и выбора проектных инновационных решений в области высокотехнологичных производств // Вестник МГТУ «СТАНКИН», 2015. № 1 (32). С. 125-129.
2. Баранов В.В., Ромашов А.В. Особенности управления инновационной деятельностью высокотехнологичного предприятия // Креативная экономика, 2009. Том 3. № 1. С. 17-21.
РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ДЛЯ
АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ БОЛЕЗНИ
АЛЬЦГЕЙМЕРА ПО СНИМКУ МРТ 1 2 Дорофеев А.В. , Васильчук К.С.
1Дорофеев Андрей Валерьевич - бакалавр; 2Васильчук Ксения Степановна - бакалавр, специальность: программная инженерия, кафедра информатики и программного обеспечения, факультет микроприборов и технической кибернетики, Национальный исследовательский университет «МИЭТ», г. Москва
Аннотация: в статье описана разработка программного комплекса для автоматического распознавания болезни Альцгеймера по снимку с магнитно -резонансного томографа с использованием сверточных нейронных сетей, а также приведены результаты тестирования разработанного комплекса. Ключевые слова: МРТ, сверточные нейронные сети, болезнь Альцгеймера, классификация, ранняя диагностика.
Информационные технологии в настоящее время проникают во все области жизни, расширяя возможности и предоставляя новые инструменты. Медицина не стала исключением, так как техническая сложность используемой аппаратуры также постоянно
растет. Качество и объемы информации, получаемой с современного медицинского оборудования, делают нерациональным, хранение оной на физических носителях.
Болезнь Альцгеймера - самая распространенная форма деменции. Среди всех зарегистрированных случаев деменции, 60-80% - это болезнь Альцгеймера. Более того, среди людей, достигших 65- летнего возраста, около 5% страдают этим недугом. А среди людей старше 85 лет диагноз «болезнь Альцгеймера» ставят уже 30-ти процентам. Болезнь Альцгеймера принадлежит к заболеваниям, накладывающим самый тяжёлый финансовый груз на общество в развитых странах. На данный момент болезнь является неизлечимой. Организм больных в итоге в любом случае потеряет большинство своих функций, что приведет к смерти. Но современные медикаменты позволяют облегчить симптомы и отдалить момент полного стирания личности больного. Стоит отметить, что качество лечения напрямую зависит от стадии заболевания, на которой был поставлен диагноз. [1]
Одним из самых универсальных и быстрых томографических методов исследования человеческого организма является магнитно-резонансная томография. Она широко применятся для исследований головного мозга, сосудов головного мозга и шеи, височно-нижнечелюстных суставов, орбиты глаза, околоносовых пазух и ротоглотки, мягких тканей шеи, позвоночника, спинного мозга, костно-суставной системы, органов брюшной полости и забрюшного пространства, органов малого таза, органов грудной полости, сердца, артерий и вен, опухолей и метастазов. [2]
На данный момент, все снимки, сделанные методом магнитно-резонансной томографии имеют цифровое представление. Существует множество программных продуктов с закрытым и открытым исходным кодом, позволяющих специалистам просматривать и обрабатывать такие снимки. Но программных продуктов, предоставляющих возможность проводить автоматизированную диагностику очень мало и они имеют множество ограничений.
Врач, изучая снимок больного, может пропустить начальную стадию болезни Альцгеймера, если специально не заостряет на этом внимание. Наличие эффективного алгоритма, дающего вероятностную оценку возможности нейродегенеративного заболевания, позволило бы заметить болезнь Альцгеймера на ранней стадии и начать лечение, тем самым продлив полноценную жизнь больного.
Целью исследования является повышение точности автоматического распознавания болезни Альцгеймера по МРТ снимкам. Основная задача, решать которую предполагается с помощью сверточных нейронных сетей - задача классификации. В общем случае, это формализованная задача, в которой имеется множество объектов (ситуаций), разделённых некоторым образом на классы. Задано конечное множество объектов, для которых известно, к каким классам они относятся. Это множество называется выборкой. Классовая принадлежность остальных объектов неизвестна. Требуется построить алгоритм, способный классифицировать произвольный объект из исходного множества. Классифицировать объект — значит, указать номер (или наименование) класса, к которому относится данный объект. [3]
Основной метрикой является функция потерь (англ. loss function). От выбора этой функции зависит как производительность в процессе обучения, так и итоговая точность автоматического распознавания болезни Альцгеймера по снимку МРТ, максимизация которой и является основной целью данной исследовательской работы. В качестве функции потерь была выбрана перекрестная энтропия. [4]
Разработанный классификатор является вероятностной моделью, которая на основе прошлого опыта (получаемого в процессе обучения) принимает решение об отнесении новых, неизвестных данных к тому или иному классу. Оперируя вероятностями, необходимо оценивать, насколько распределение вероятности, выдаваемое моделью на неизвестных данных, отличается от реального. Эта разница и вычисляется перекрестной энтропией.
Для решения задачи классификации была разработана и реализована искусственная нейронная сеть, принадлежащая классу сверточных нейронных сетей и состоящая из нескольких слоев. [5]
Первый слой conv3d_1 является слоем свертки. В нем происходит первичное выделение признаков. При его определении настраиваются следующие гиперпараметры:
• Количество признаков, выделяемых слоем;
• Размерность ядра свертки;
• Функция активации;
• Параметры регуляризации.
Второй слой maxpooling3d1 является слоем субдискретизации, вход которого соединен с выходом conv3d_1. При создании объекта данного слоя настраивается единственный гиперпараметр: размер окна подвыборки.
Следующий слой dropoutl - слой дропаута. Основным гиперпараметром данного слоя является рейтинг - процент игнорируемых при обучении синаптических связей.
Далее результат направляется в слой Flatten, преобразующий многомерный результат сверточной части нейронной сети в одномерный вектор для дальнейшей обработки полносвязным слоем Dense.
Гиперпараметры полносвязного слоя:
• Количество скрытых нейронов в слое;
• Функция активации;
• Распределение значений, которыми инициализируются синаптические веса;
• Дополнительные параметры регуляризации.
После сверточной части нейронной сети находятся два полносвязных слоя, соединенных через дополнительный слой дропаута. Первый, содержащий 256 скрытых нейронов и использующий функцию активации ReLU, предназначен для многомерной обработки выделенных признаков. Второй полносвязный слой содержит всего три нейрона, вес каждого из которых функцией активации softmax преобразуется в результат -вероятность наличия у пациента искомого заболевания.
Далее работа разработанного классификатора была проверена на тестовом множестве. Результаты тестирования приведены в таблице 1.
Таблица 1. Результаты классификации
Пациент Возраст Диагноз врача Вероятность Результат
Снимок Тест
Здоров ЛКН б. Альцгеймера
190_S_1086 77 НН НН 0,71 0,23 0,06 НН
127_S_1468 85 ЛКН ЛКН 0,21 0,63 0,16 ЛКН
113_S_0456 64 ЛКН ЛКН 0 0,94 0,06 ЛКН
105_S_0733 74 НН НН 0,24 0,68 0,07 ЛКН
001_S_1566 88 НН НН 0,2 0,52 0,28 НН
017_S_0538 63 НН НН 0,13 0,56 0,31 НН
191_S_1223 72 б.А. б.А. 0,24 0,63 0,13 б.А.
112_S_1538 79 НН НН 0,32 0,46 0,22 НН
133_S_1162 71 НН НН 0 0,77 0,23 НН
028_S_1142 74 б.А. б.А. 0,14 0,61 0,25 б.А.
101_S_0493 87 ЛКН ЛКН 0,24 0,49 0,27 ЛКН
126_S_0387 84 ЛКН ЛКН 0,18 0,76 0,06 ЛКН
Пациент Возраст Диагноз врача Вероятность Результат
Снимок Тест
154_Б_1202 89 б.А. б.А. 0,24 0,51 0,25 б.А.
139_Б_1295 82 б.А. б.А. 0,01 0,85 0,14 б.А.
012_Б_1392 74 б.А. б.А. 0,05 0,73 0,22 б.А.
189_Б_0478 70 б.А. б.А. 0,1 0,73 0,17 ЛКН
012_Б_0239 71 б.А. б.А. 0,26 0,74 0,01 б.А.
059_Б_1700 82 ЛКН НН 0,33 0,66 0,01 ЛКН
089_Б_0715 61 ЛКН ЛКН 0,31 0,62 0,07 ЛКН
127_Б_0361 69 НН НН 0,05 0,71 0,24 НН
192_Б_0363 63 б.А. б.А. 0,24 0,5 0,26 б.А.
186_Б_1577 62 ЛКН ЛКН 0,15 0,67 0,18 ЛКН
160_Б_1810 71 б.А. б.А. 0,21 0,6 0,19 б.А.
096_Б_0831 77 ЛКН ЛКН 0,14 0,67 0,19 ЛКН
159_Б_1204 66 НН НН 0,27 0,47 0,25 НН
054_Б_0108 66 НН НН 0,31 0,4 0,29 НН
074_Б_1266 75 НН НН 0,05 0,62 0,33 НН
148_Б_1590 75 ЛКН ЛКН 0,2 0,61 0,18 ЛКН
197_Б_0403 72 НН НН 0,31 0,44 0,24 НН
014_Б_0426 78 НН НН 0,08 0,77 0,15 НН
033_Б_0157 62 ЛКН ЛКН 0,07 0,67 0,26 ЛКН
081_Б_0845 84 НН НН 0,24 0,62 0,14 НН
120_Б_1943 80 ЛКН ЛКН 0,22 0,6 0,19 ЛКН
083_Б_1095 89 НН НН 0,02 0,75 0,23 НН
020_Б_0561 80 ЛКН ЛКН 0,01 0,66 0,33 ЛКН
157_Б_0156 76 НН НН 0,09 0,74 0,17 НН
075_Б_1818 61 НН НН 0,23 0,75 0,03 НН
115_Б_1749 77 ЛКН ЛКН 0,07 0,71 0,22 ЛКН
194_Б_1914 65 б.А. б.А. 0,12 0,86 0,03 б.А.
045_Б_0629 80 ЛКН НН 0,22 0,73 0,05 ЛКН
065_Б_0550 86 б.А. б.А. 0,3 0,37 0,32 б.А.
090_Б_1174 73 ЛКН ЛКН 0,19 0,76 0,05 ЛКН
174_Б_0493 64 б.А. б.А. 0,11 0,75 0,14 б.А.
156_Б_1271 75 б.А. б.А. 0,17 0,69 0,14 б.А.
094_Б_0245 75 б.А. б.А. 0,04 0,84 0,12 б.А.
040_Б_0647 73 НН ЛКН 0,01 0,94 0,06 НН
045_Б_0507 78 НН НН 0,3 0,65 0,05 НН
150_Б_1021 79 ЛКН ЛКН 0,24 0,71 0,05 ЛКН
В таблице приведен уникальный идентификатор пациента в базе ЛВ№, его возраст, диагноз, поставленный врачом по снимку и по результатам тестирования когнитивных функций, вероятностная оценка, данная классификатором по каждому
классу (НН - нет нарушений, ЛКН - лёгкие когнитивные нарушеня, б.А. - болезнь Альцгеймера) и итоговый диагноз, поставленный классификатором.
По результатам тестирования, точность классификации обученной нейронной сетью составила 91,7\%. Это означает, что итоговый диагноз, поставленный классификатором, в 91,7\% случаев совпадает с диагнозом, поставленным врачом по МРТ снимку.
Практическая значимость результатов исследования заключается в создании теоретической базы для обеспечения эффективной автоматизированной диагностики пациентов на предмет болезни Альцгеймера и других нейродегенеративных заболеваний.
Разработанный классификатор позволяет производить диагностику пациентов без проведения теста когнитивных функций, что значительно ускоряет процесс диагностики и дает возможность выявлять заболевания на ранней стадии, позволяя эффективно спланировать курс лечения и отсрочить фатальные последствия заболевания. Работа может послужить теоретической основой для создания научно-технического продукта классификации МРТ снимков.
Разработанный научно-технический продукт позволит интегрировать модуль диагностики болезни Альцгеймера в процесс цифровой обработки МРТ снимков, в автоматическом режиме производить диагностику и снижать вероятность случая, когда ранняя стадия заболевания остается незамеченной врачом (часто врачи, изучающие МРТ снимок головного мозга, пропускают незначительное увеличение гиппокампа, если изначальный диагноз не был связан с болезнью Альцгеймера).
Список литературы
1. Alzheimer's Association et al. 2017 Alzheimer's disease facts and figures //Alzheimer's & Dementia. 2017. Т. 13. №. 4. С. 325-373.
2. Morris S.A., Slesnick T.C. Magnetic resonance imaging //Visual Guide to Neonatal Cardiology. 2018. С. 104-108.
3. Zhang G.P. Neural networks for classification: a survey //IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Revie ws). 2000. Т. 30. №. 4. С. 451-462.
4. Shore J., Johnson R. Axiomatic derivation of the principle of maximum entropy and the principle of minimum cross-entropy //IEEE Transactions on information theory. 1980. Т. 26. №. 1. С. 26-37.
5. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks //Advances in neural information processing systems. 2012. С. 10971105.
