Медицинская Техника / Медицинская техника №6, 2023 / с. 44-47

Система поддержки принятия врачебного решения с использованием модуля искусственного интеллекта для эндоскопических исследований желудка

В.В. Хрящев

Аннотация

Проведен анализ использования методов и алгоритмов глубокого машинного обучения для решения задачи автоматического обнаружения и классификации онкологических патологий на эндоскопических видеоизображениях желудка. Собрана база эндоскопических изображений желудка, состоящая из более чем 14 000 образцов, разделенных на три класса: «рак», «ранний рак», «другая патология». Разработан опытный образец системы поддержки принятия врачебного решения в эндоскопии, состоящий из отдельных модулей с собственной законченной функциональностью.

Вернуться к содержанию

Сведения об авторах

Владимир Вячеславович Хрящев, канд. техн. наук, доцент, руководитель, Центр искусственного интеллекта, Ярославский государственный университет им. П.Г. Демидова, г. Ярославль,

e-mail: v.khryashchev@uniyar.ac.ru

Список литературы

1. Карпов О.Э., Храмов А.Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. – М.: ДПК Пресс, 2022. 480 c.

2. Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. – СПб.: Питер, 2018. 480 c.

3. Палевская С.А., Короткевич А.Г. Эндоскопия желудочно- кишечного тракта. – М.: ГЭОТАР-Медиа, 2020. 752 c.

4. Munzer B., Schoeffmann K., Boszormenyi L. Content-based processing and analysis of endoscopic images and videos: A survey // Multimed. Tools Appl. 2018. Vol. 77. PP. 1323-1362.

5. Кореневский Н.А., Охотников О.И., Белозеров В.А., Родионова С.Н. Нечеткие модели дифференциальной диагностики рака поджелудочной железы и хронического панкреатита по данным эндоскопической ультрасонографии // Медицинская техника. 2022. № 6. С. 37-39.

6. Куваев Р.О., Кашин С.В. Современное эндоскопическое исследование желудка с использованием методик узкоспектральной и увеличительной эндоскопии: техника проведения и алгоритмы диагностики // Доказательная гастроэнтерология. 2016. Т. 2. № 5. С. 3-13.

7. Хрящев В.В., Ганин А.Н., Лебедев А.А., Степанова О.А., Кашин С.В., Куваев Р.О. Разработка и анализ алгоритма детектирования патологий на эндоскопических изображениях желудка на основе сверточной нейронной сети // Цифровая обработка сигналов. 2018. № 3. С. 70-75.

8. Коваленко Д.А., Гнатюк В.C. Ассоциация сцен в эндоскопических видео / В кн.: GraphiCon 2017: Обработка и анализ биомедицинских изображений. – Пермь, 2017. С. 269-274.

9. Степанова О.А., Лебедев А.А., Хрящев В.В., Приоров А.Л. Использование сверточной нейронной сети SSD для детектирования патологий при эндоскопии желудка / Доклады 21-й Междунар. конф. «Цифровая обработка сигналов и ее применение (DSPA-2019)». Россия, Москва, 2019. С. 533-537.

10. Куваев Р.О., Никонов Е.Л., Кашин С.В., Капранов В.А., Гвоздев А.А. Контроль качества эндоскопических исследований, перспективы автоматизированного анализа эндоскопических изображений // Кремлевская медицина. Клинический вестник. 2013. Т. 2. С. 51-56

11. Supervisely / https://app.supervise.ly (дата обращения: 21.04.2023).

12. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S.E. SSD: Single Shot Multibox Detector // CoRR. 2015. Abs/1512.02325.

13. Lin T.Y., Goyal P., Girshick R. Focal loss for dense object detection / Proceedings of the IEEE International Conference on Computer Vision. 2017. PР. 2980-2988.