• ВХОД

    •  

    Полное описание

    Клышников, Кирилл Юрьевич. Нейросетевой анализ стенозов коронарных артерий: оценка точности и скорости перспективных архитектур / К. Ю. Клышников, Е. А. Овчаренко, В. В. Данилов, П. С. Онищенко, В. И. Ганюков. - DOI 10.37791/2687-0649-2022-17-6-68-80. - Текст : непосредственный // Приклад. информатика = Journal of Applied Informatics : научно-практический журнал. - 2022. - Том 17, N 6. - С. 68-80. - Библиогр. в конце ст. - ISSN 1993-8314.

    ГРНТИ УДК
    28.23004.8
    28.23.37004.032.26

    Рубрики:
    Искусственный интеллект
    Нейронные сети -- Сверточные нейронные сети
    Медицина

    Кл.слова (ненормированные): сверточная нейронная сеть -- ангиография коронарных артерий -- стеноз коронарной артерии -- однососудистый стеноз
    Аннотация: Существенный интерес в области применения машинного обучения для анализа медицинских изображений стимулирует поиск перспективных алгоритмов для решения рутинных диагностических задач в кардиологии. Применительно к сердечно- сосудистым патологиям такой процедурой является коронарная ангиография, оценивающая состояние сосудистого русла и наличие участков стенозирования. В настоящей работе продемонстрирован пример применения современных моделей нейросетей SSD MobileNet V2, SSD ResNet-50, Faster-RCNN Inception ResNet V2 в задаче локализации однососудистого поражения коронарной артерии на наборе клинических данных (3200 изображений). Показано, что наиболее точной по выбранной метрике mAP[0,5:0,95] явилась модель Faster-RCNN Inception ResNet V2, достигшая показателя 0,9434 и 0,95 для валидационной и тестовой выборок соответственно. Однако скорость обработки данных составила 0,363 секунды на один кадр, что эквивалентно 2,8 кадров/сек, т. е. значительно ниже частоты записи коронарографии (15 кадров/сек). Нейросети с более «простой» архитектурой продемонстрировали неудовлетворительное качество локализации стенозов, выраженное в низкой характеристике mAP[0,5:0,95]. Результаты данного исследования демонстрируют ключевую проблему применения алгоритмов машинного обучения на графических данных - высокая точность, которая может быть приемлемая для медицинских диагностических процедур,« декомпенсируется» длительным анализом изображений, вследствие чего использование немодифицированных архитектур нейросетей не обеспечивает обработки данных в режиме реального времени.
    Доп. точки доступа:
    Овчаренко, Евгений Андреевич
    Данилов, Вячеслав Владимирович
    Онищенко, Павел Сергеевич
    Ганюков, Владимир Иванович

    Экз-ры полностью 5259119b08cd1dae563bc7ca9d918a37/2022/17/6
    Нет сведений об экземплярах
    Держатели документа:
    Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -715038-081856)

    Шифр в сводном ЭК: 81114bb169e075c57e0cc4d0e8cdadbb




    Заказ фрагмента документа ₽