Автоматическое выявление туберкулёза на рентгенограммах органов грудной клетки с помощью глубокого обучения

Цель: Обучить с нуля свёрточную нейронную сеть для автоматического выявления туберкулёза по рентгенограммам органов грудной клетки и сравнить её эффективность с методами переноса обучения на основе предварительно обученных свёрточных нейронных сетей.

Материалы и методы: Использовали два общедоступных набора данных с рентгенограммами органов грудной клетки в прямой заднепередней проекции из округа Монтгомери (штат Мэриленд, США) и Шэньчжэня (Китай). Для автоматического выявления туберкулёза обучили с нуля свёрточную нейронную сеть ConvNet. Кроме того, для классификации рентгенограмм на снимки пациентов с туберкулёзом и без него применили перенос обучения с использованием пяти предварительно обученных моделей: Inception_v3, Xception, ResNet50, VGG19 и VGG16. Эффективность моделей на тестовых наборах оценивали по пяти показателям: точности классификации, чувствительности, положительной прогностической ценности, площади под кривой (AUC) и F1-мере.

Результаты: Все предложенные модели обеспечили приемлемую точность классификации двух классов. Предложенная архитектура свёрточной нейронной сети ConvNet показала положительную прогностическую ценность 88,0%, чувствительность 87,0%, F1-меру 87,0%, точность классификации 87,0% и AUC 87,0%; эти результаты были несколько ниже, чем у предварительно обученных моделей. Наилучшие результаты автоматической классификации туберкулёза показали Xception, ResNet50 и VGG16: положительная прогностическая ценность, чувствительность, F1-мера и AUC составили 91,0%, а точность классификации — 90,0%.

Выводы: В исследовании представлен метод переноса обучения с использованием глубоких свёрточных нейронных сетей для автоматической классификации рентгенограмм органов грудной клетки на снимки пациентов с туберкулёзом и без него. У всех изученных моделей точность классификации, положительная прогностическая ценность, чувствительность и F1-мера при выявлении туберкулёза превышали 87,0%. Модели Xception, ResNet50 и VGG16 превосходили другие глубокие свёрточные нейронные сети при работе с этими наборами данных и применении методов аугментации изображений.