Програмний засіб для класифікації та синтезу біомедичних зображень
Анотація
Розроблено програмний засіб для класифікації та синтезу біомедичних зображень. Встановлено потребу штучного розширення наборів даних біомедичних зображень через їх обмежену доступність, що створює перешкоду для розвитку діагностичних інструментів. З'ясовано, що розроблений програмний засіб може вирішити цю проблему, генеруючи синтетичні, але реалістичні медичні зображення, що можуть слугувати додатковими даними для навчання класифікаторів. Розроблено функціональні вимоги до програмного засобу, а також його архітектуру, використовуючи сучасні технології програмування та проектування програмних засобів. Програмний засіб спроектовано, використовуючи модульну архітектуру, що дає змогу масштабувати кожен модуль незалежно від навантаження. Охарактеризовано закономірності архітектури програмного засобу, що містить клієнт-серверну взаємодію, базу даних MongoDB та використання брокера повідомлень RabbitMQ для асинхронного обміну даними між модулями програмного засобу. Основними модулями програмного засобу є: набори даних (відповідає за керування навчальними зображеннями), класифікатори (відповідає за навчання та використання згорткових нейронних мереж для класифікації зображень) та генератори (відповідає за навчання за використання генеративно-змагальних мереж для синтезу зображень). Програмний засіб розроблено, використовуючи різні мови програмування (Python, TypeScript) та сучасні технології (NodeJS, RabbitMQ, PyTorch, MongoDB, React). Також спроєктовано структуру бази даних, використовуючи логічну модель на підставі UML-діаграми класів. Показано ефективність використання згорткових нейронних мереж та генеративно-змагальних мереж для класифікації та синтезу біомедичних зображень, відповідно. Зроблено висновок про наукову новизну і практичну значущість розробленого програмного засобу, який відкриває нові можливості для медичної діагностики та досліджень, забезпечуючи гнучкість та масштабованість у синтезі та аналізі біомедичних зображень.
Завантаження
Посилання
Alenoghena, C. O., Ohize, H. O., Adejo, A. O., Onumanyi, A. J., Ohihoin, E. E., Balarabe, A. I., & Alenoghena, B. (2023). Telemedicine: A survey of telecommunication technologies, developments, and challenges. Journal of Sensor and Actuator Networks, 12(2), 20 p. https://doi.org/10.3390/jsan12020020
Berezsky, O., Liashchynskyi, P., Pitsun, O., Liashchynskyi, P., & Berezkyy, M. (2022). Comparison of Deep Neural Network Learning Algorithms for Biomedical Image Processing. The 5th International Conference on Informatics & Data-Driven Medicine (IDDM 2022) will be held in University Lumière Lyon 2, Lyon, France, 135–145. URL: https://www.researchgate.net/publication/367190420_Comparison_of_Deep_Neural_Network_Learning_Algorithms_for_Biomedical_Image_Processing
Berezsky, O., Pitsun, O., Liashchynskyi, P., Derysh, B., & Batryn, N. (2022). Computational Intelligence in Medicine. In International Scientific Conference "Intellectual Systems of Decision Making and Problem of Computational Intelligence", 488–510. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-031-16203-9_28
Dhivya, S., Mohanavalli, S., Karthika, S., Shivani, S., & Mageswari, R. (2020). GAN based data augmentation for enhanced tumor classification. In 2020 4th international conference on computer, communication and signal processing (ICCCSP), 1–5. https://doi.org/10.1109/ICCCSP49186.2020.9315189
Doo, F. X., Kulkarni, P., Siegel, E. L., Toland, M., Paul, H. Y., Carlos, R. C., & Parekh, V. S. (2024). Economic and Environmental Costs of Cloud Technologies for Medical Imaging and Radiology Artificial Intelligence. Journal of the American College of Radiology, 21(2), 248–256. https://doi.org/10.1016/j.jacr.2023.11.011
Habuza, T., Navaz, A. N., Hashim, F., Alnajjar, F. S., Zaki, N., Serhani, M. A., & Statsenko, Y. (2021). AI applications in robotics, diagnostic image analysis and precision medicine: Current limitations, future trends, guidelines on CAD systems for medicine. Informatics in Medicine Unlocked, 24. https://doi.org/10.1016/j.imu.2021.100596
Inan, M. S. K., Hossain, S., & Uddin, M. N. (2023). Data augmentation guided breast cancer diagnosis and prognosis using an integrated deep-generative framework based on breast tumors morphological information. Informatics in Medicine Unlocked, 37. https://doi.org/10.1016/j.imu.2023.101171
Kadhim, Y. A., Khan, M. U., & Mishra, A. (2022). Deep learning-based computer-aided diagnosis (cad): applications for medical image datasets. Sensors, 22(22). https://doi.org/10.3390/s22228999
Khang, A., Abdullayev, V., Ali, R. N., Bali, S. Y., Mammadaga, G. M., & Hafiz, M. K. (2024). Using Big Data to Solve Problems in the Field of Medicine. In Computer Vision and AI-Integrated IoT Technologies in the Medical Ecosystem, 407–418. CRC Press. https://doi.org/10.1201/9781003429609-23
Kim, S. J., Moon, W. K., Kim, S. Y., Chang, J. M., Kim, S. M., & Cho, N. (2010). Comparison of two software versions of a commercially available computer-aided detection (CAD) system for detecting breast cancer. Acta Radiologica, 51(5), 482–490. https://doi.org/10.3109/02841851003709490
Lee, B., Lee, J., Lee, J., Hwang, Y., Bahn, H., Park, I., Jheon, S., & Lee, D. (2024). Breath Analysis System with Convolutional Neural Network (CNN) for Early Detection of Lung Cancer. Sensors and Actuators B: Chemical. https://doi.org/10.1016/j.snb.2024.135578
Mahoro, E., & Akhloufi, M. A. (2024). Breast cancer classification on thermograms using deep CNN and transformers. Quantitative InfraRed Thermography Journal, 21(1), 30–49. https://doi.org/10.1080/17686733.2022.2129135
Majumder, S., Gautam, N., Basu, A., Sau, A., Geem, Z. W., & Sarkar, R. (2024). MENet: A Mitscherlich function based ensemble of CNN models to classify lung cancer using CT scans. Plos one, 19(3). https://doi.org/10.1371/journal.pone.0298527
Nazirova, T. O., & Kostenko, O. B. (2018). Neural network information technology for the processing of medical data. Scientific Bulletin of UNFU, 28(8), 141–145. https://doi.org/10.15421/40280828
Nie, D., Trullo, R., Lian, J., Wang, L., Petitjean, C., Ruan, S., Wang, Q., & Shen, D. (2018). Medical Image Synthesis with Deep Convolutional Adversarial Networks. IEEE Transactions on Biomedical Engineering, 65, 2720–2730. https://doi.org/10.1109/TBME.2018.2814538
Peng, Y., Yao, B., & Jiang, J. (2006). Knowledge-discovery incorporated evolutionary search for microcalcification detection in breast cancer diagnosis. Artificial intelligence in medicine, 37(1), 43–53. https://doi.org/10.1016/j.artmed.2005.09.001
Remya, R., & Raimond, K. (2023). Cervical cell classification using Deep Learning Techniques. 2023 International Conference on Computer Communication and Informatics (ICCCI), 1–5. https://doi.org/10.1109/ICCCI56745.2023.10128238
Séroussi, B., & Bouaud, J. (2001). Using OncoDoc as a computer-based eligibility screening system to improve accrual onto breast cancer clinical trials. Artificial intelligence in medicine, 29, 1-2, 153–67. https://doi.org/10.1016/s0933-3657(03)00040-x
Wu, M., Yan, C., Liu, H., Liu, Q., & Yin, Y. (2018). Automatic classification of cervical cancer from cytological images by using convolutional neural network. Bioscience reports, 38(6). https://doi.org/10.1042/BSR20181769
Wu, R., Qin, K., Fang, Y., Xu, Y., Zhang, H., Li, W., & Li, Q. (2024). Application of CNN in the diagnosis for the invasion depth of gastrointestinal cancer: a systematic review and meta-analysis. Journal of Gastrointestinal Surgery. https://doi.org/10.1016/j.gassur.2023.12.029
Zhang, P., & Boulos, M. N. (2023). Generative AI in Medicine and Healthcare: Promises, Opportunities and Challenges. Future Internet, 15, 286 p. https://doi.org/10.3390/fi15090286
Zhang, W., Cai, M., Lee, H. J., Evans, R., Zhu, C., & Ming, C. (2024). AI in Medical Education: Global situation, effects and challenges. Education and Information Technologies, 29(4), 4611–4633. https://doi.org/10.1007/s10639-023-12009-8
