Наталья Полковникова. Кардио ИИ. Построение системы распознавания коронарных сосудов

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

Transcript

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