Програмний засіб аналізу медичних зображень для діагностики пневмонії

Abstract

Кваліфікаційна робота присвячена розробці та порівняльному аналізу програмної системи автоматичної класифікації пневмонії за цифровими рентгенівськими знімками грудної клітки із застосуванням методів глибокого навчання, а саме – трансферного навчання на основі попередньо натренованих згорткових нейронних мереж. Актуальність теми обумовлена високим навантаженням на лікарів-радіологів, потребою у швидких та об'єктивних інструментах підтримки прийняття діагностичних рішень, а також доступністю великих анотованих наборів медичних зображень, що уможливлює застосування сучасних алгоритмів комп'ютерного зору в клінічній практиці. Об'єктом дослідження є процес автоматизованої класифікації медичних зображень грудної клітки за двома класами – «норма» та «пневмонія». Предметом дослідження є методи, моделі та програмні засоби глибокого навчання, що застосовуються для розв'язання задачі бінарної класифікації зображень в умовах незбалансованості класів та обмеженого обсягу навчальних даних. Метою роботи є розробка програмного конвеєра обробки даних та порівняльне дослідження трьох архітектур згорткових нейронних мереж – MobileNetV2, VGG16 та DenseNet121 – для визначення найбільш придатної моделі класифікації пневмонії за критеріями точності, площі під ROC-кривою (AUC), точності (precision) та повноти (recall), з особливим акцентом на мінімізації кількості пропущених випадків захворювання. У роботі реалізовано повний цикл розробки рішення: збір та перевірку цілісності даних, видалення дублікатів та пошкоджених файлів, формування метаданих, розвідувальний аналіз даних та виявлення дисбалансу класів, розрахунок вагових коефіцієнтів класів, проєктування стратегії аугментації зображень, побудову трьох моделей трансферного навчання, їх навчання з використанням механізмів дострокової зупинки та збереження найкращих ваг, а також комплексне оцінювання результатів на відкладеній тестовій вибірці. За результатами експериментів встановлено, що архітектура MobileNetV2 продемонструвала найкращий баланс показників якості (AUC = 0,967; точність = 90,9 %; повнота для класу «пневмонія» = 92,0 %) і була обрана як фінальна модель для подальшого використання. Реалізація виконана мовою Python із використанням бібліотек TensorFlow/Keras, scikit-learn, pandas, NumPy, Pillow, Matplotlib та Seaborn у середовищі Jupyter Notebook.

The qualification thesis is devoted to the development and comparative analysis of a software system for the automatic classification of pneumonia from digital chest X-ray images using deep learning methods, specifically transfer learning based on pre-trained convolutional neural networks. The relevance of the topic is determined by the high workload of radiologists, the need for fast and objective decision-support tools for medical diagnosis, and the availability of large annotated medical image datasets, which enable the application of modern computer vision algorithms in clinical practice. The object of the research is the process of automated classification of chest medical images into two classes: “normal” and “pneumonia”. The subject of the research comprises deep learning methods, models, and software tools applied to the task of binary image classification under conditions of class imbalance and limited training data. The aim of the thesis is to develop a data processing pipeline and conduct a comparative study of three convolutional neural network architectures – MobileNetV2, VGG16, and DenseNet121– in order to determine the most suitable model for pneumonia classification according to the criteria of accuracy, area under the ROC curve (AUC), precision, and recall, with a particular emphasis on minimizing the number of missed disease cases. The work implements a complete solution development cycle, including data collection and integrity verification, removal of duplicate and corrupted files, metadata generation, exploratory data analysis and class imbalance detection, calculation of class weights, design of an image augmentation strategy, construction of three transfer learning models, their training using early stopping and best-weight checkpoint mechanisms, as well as comprehensive evaluation on a held-out test dataset. The experimental results demonstrated that the MobileNetV2 architecture achieved the best balance of performance metrics (AUC = 0.967; accuracy = 90.9%; recall for the “pneumonia” class = 92.0%) and was selected as the final model for further use. The implementation was carried out in Python using the TensorFlow/Keras, scikit-learn, pandas, NumPy, Pillow, Matplotlib, and Seaborn libraries within the Jupyter Notebook environment.