PNEVMONIYANI ANIQLASH UCHUN CHUQUR O'RGANISHGA ASOSLANGAN MODEL: KO'KRAK QOPQOQLARI RENTGEN RASMLARINI TAHLIL QILISH
Keywords:
Deep learning, pneumonia detection, ResNet50, transfer learning, X-ray imagesAbstract
Pnevmoniya, o'pka havo kislotalarining o'tkir yallig'lanishi, butun dunyoda o'limning asosiy sababi bo'lib qolmoqda. O'zbekiston kabi resurslar cheklangan joylarda, ko'krak rentgen tahlillari orqali erta aniqlash radiologlar tanqisligi tufayli qiyinlashadi, bu innovatsion yechimlarni talab qiladi. Ushbu tadqiqotda pnevmoniyani avtomatlashtirilgan aniqlash uchun chuqur o'rganishga asoslangan model taqdim etilgan, unda Kaggle ko'krak rentgen pnevmoniyasi ma'lumotlar to'plami, 1:2 sinf muvozanatsizligi bilan 5863 ta tasvir (5216 ta o'qitish, 624 ta tasdiqlash) dan iborat. Taklif qilingan yondashuv oldindan tayyorlangan ResNet50 arxitekturasini transfer o'rganish bilan qo'llaydi, tibbiy tasvirlashda keng tarqalgan muammo bo'lgan ortiqcha moslashishni oldini olish uchun nozik sozlashdan qochadi. Sinflar o'rtasidagi muvozanatsizlikni bartaraf etish va umumlashtirishni kuchaytirish uchun ma'lumotlarni ko'paytirish texnikasi, shu jumladan aylanish (20 °), kenglik / balandlik siljishi (0,2), gorizontal burilish, kesish (0,2) va zoom (0,2) muvozanatli sinf og'irliklari bilan birga muvozanatli strategiyasidan foydalanib hisoblangan. Model Adam optimallashtiruvchisi (o'rganish tezligi 0,0001) va ikkilik kesma entropiya yo'qotishidan foydalangan holda 20 davr davomida o'rgatilgan, EarlyStopping (kutish = 7) va ReduceLROnPlateau (faktor = 0.5) ishlashni optimallashtirish uchun qaytarish qo'ng'iroqlari. Tasdiqlash to'plami bo'yicha baholash 78% o'qitish aniqligini, 75% tasdiqlash aniqligini, 0, 9563 ning F1 balini va pnevmoniya holatlari uchun 0, 94 ni eslab qolishni keltirib chiqardi, bu esa klinik ishonchlilik uchun muhim bo'lgan noto'g'ri salbiylarni samarali ravishda kamaytiradi. Grad-CAM vizualizatsiyalari modelning o'pka mintaqalariga e'tiborini tasdiqladi, bu esa talqin qilinishini kuchaytirdi. Asosiy CNN modellari bilan taqqoslaganda, ushbu yondashuv tasdiqlash ishida 15% ga yaxshilanishga erishdi va modelning o'lchamini 70% ga kamaytirdi, bu esa resurslarni samarali ishlatishga imkon berdi. Ushbu topilmalar kam resursli muhitlarda qulay tashxis qo'yish uchun to'g'ri sozlanmagan transfer o'rganishning potentsialini ta'kidlaydi, kelajak istiqbollari mobil ilovalar integratsiyasi va ko'p kasalliklarni aniqlash uchun RSNA kabi katta ma'lumotlar to'plamlarini o'z ichiga oladi.