Исследование нейросетевого подхода в задаче диагностики инсульта

1. Исследование нейросетевого подхода в задаче диагностики инсульта

Студент: Шурыгина Д.С.
Группа: ПМИ-92
Научный руководитель
Авдеенко Т.В.
д.т.н., профессор
1

2. Цель и задачи

Цель работы:
Исследование возможностей нейросетевого подхода в задаче диагностики
инсульта головного мозга
Задачи:
Изучить методы диагностики инсульта головного мозга
Исследовать возможность бинарной классификации инсульта по
различным показателям здоровья и образа жизни при помощи модели
многослойного перцептрона
Исследовать возможность сегментации изображений срезов головного
мозга при помощи модели сверточной нейронной сети
2

3. Актуальность

Автоматизированное изучение медицинской карты
позволяет выявить предрасположенность к инсульту
большего количества пациентов
Оперативная и качественная диагностика
кровоизлияния позволяет уменьшить тяжесть
последствий после случившегося инсульта
3

4. Инсульт

Статистика
Определение
Диагностика
• Инсульт занимает
второе место по
количеству
смертельных исходов
на нашей планете.
Инсульт – это острое,
относительно внезапно
возникающее нарушение
кровоснабжения участка
головного мозга,
вызывающее омертвление
клеток мозга.
Диагностика проводится
при помощи компьютерной
томографии, посредством
изучения строения
внутренних органов
человека на каждом слое.
• Среди европейских
стран численность
смертей от инсульта в
России самая
высокая.
4

5. Разработка нейронной сети для решения задачи классификации

5

6. Описание данных

• Источник: kaggle.com
• Формат данных: csv
• Язык: английский
• Размер выборки: 5110
• Количество признаков: 12
Процентное соотношение количества
людей с наличием инсульта и без него
6

7. Признаки

• Идентификатор
• Пол
• Возраст
• Гипертония
• Сердечные заболевания
• Семейное положение
• Занятость
• Место жительства
• Средний уровень глюкозы
• Индекс массы тела
• Курение
• Инсульт
7

8. Подготовка данных

• Удалить лишние данные
• Нормализовать данные в пределах от 0 до 1
• Разбить на обучающую и тестовую выборки в соотношении:
75% и 25%
8

9. Создание модели

Параметры скрытых слоев
Параметры оптимизатора
•Количество скрытых слоев: 1
• Функция оптимизатора: Adam
•Количество нейронов: 32
• Темп обучения: 0.0001
•Функция активации : relu
• Функция потерь: binary_crossentropy
Параметры выходного слоя
•Функция активации: sigmoid
Дополнительно
•Функция: BatchNormalization
• Метрика: accuracy
Параметры обучения
• Количество эпох: 150
• Размер пакета: 64
9

10. Параметры оптимизатора

10

11.

№
Число
нейронов
№
Число
слоев
Потери Точность Прогноз
1
1
0.1360
0.9617
0.8573
2
2
0.1399
0.9601
0.8462
3
3
0.1374
0.9617
0.7699
4
4
0.1550
0.9585
0.8963
5
5
0.1648
0.9568
0.2704
Потери
Точность
Прогноз
1
8
0.1388
0.9634
0.6793
2
16
0.1321
0.9634
0.5065
3
32
0.1360
0.9617
0.8573
4
64
0.1383
0.9617
0.6494
5
128
0.1434
0.9625
0.7922
№
Число
Потери
Точность
Прогноз
нейронов
6
8
0.1431
0.9617
0.3056
7
16
0.1444
0.9617
0.2155
8
32
0.1550
0.9585
0.8963
9
64
0.1903
0.9454
0.7135
10
128
0.2375
0.9381
0.9995
11

12.

Графики результата работы модели №9
№
Функция
активации
Потери
Точность
Прогноз
9
relu
0.1550
0.9585
0.8963
10
softmax
0.1438
0.9617
0.8788
11
softplus
0.1434
0.9601
0.8972
12
softsign
0.1471
0.9625
0.7940
13
tanh
0.1457
0.9625
0.8730
14
elu
0.1412
0.9617
0.8776
15
selu
0.1377
0.9625
0.7853
16
exponential
nan
0.9536
0.1268
Графики результата работы модели №11
12

13.

Графики результата работы модели №7
RMSprop
№
Learning-rate
Потери
Точность Прогноз
4
0.001
0.1673
0.9528
0.7993
5
0.0001
0.1412
0.9617
0.8391
6
0.00001
0.4161
0.9373
0.6469
Графики результата работы модели №8
Adam
№
Learning-rate
Потери
Точность Прогноз
7
0.001
0.1847
0.9511
0.9285
8
0.0001
0.1434
0.9601
0.8972
9
0.00001
0.4228
0.9324
0.6659
13

14.

Количество эпох: 250
Количество эпох: 100
№
Размер пакета
Потери
Точность
Прогноз
№
Размер пакета
Потери
Точность
Прогноз
4
4
0.1746
0.9373
0.6080
13
32
0.1511
0.9585
0.8939
5
16
0.1445
0.9593
0.4157
14
64
0.1478
0.9593
0.8941
6
64
0.1431
0.9617
0.7994
15
128
0.1458
0.9593
0.9314
Количество эпох: 300
Количество эпох: 150
№
Размер пакета
Потери
Точность
Прогноз
№
Размер пакета
Потери
Точность
Прогноз
7
8
0.1533
0.9568
0.6638
16
64
0.1458
0.9593
0.9314
8
32
0.1458
0.9585
0.8508
17
128
0.1462
0.9593
0.9030
9
128
0.1448
0.9609
0.8885
18
256
0.1462
0.9593
0.9030
Количество эпох: 350
Количество эпох: 200
№
Размер пакета
Потери
Точность
Прогноз
№
Размер пакета
Потери
Точность
Прогноз
10
32
0.1487
0.9585
0.8828
19
64
0.1495
0.9585
0.8779
11
64
0.1458
0.9601
0.8927
20
128
0.1472
0.9585
0.9323
12
128
0.1444
0.9601
0.8937
21
256
0.1456
0.9601
0.9456
14

15. Прогноз максимальной вероятности инсульта

• Пол: Мужчина
• Возраст: 83
• Гипертония: есть
• Сердечные заболевания: есть
• Семейное положение: не женат
• Занятость: самозанятый
• Место жительства: город
• Средний уровень глюкозы: 260
• Индекс массы тела: 60
• Курение: курил ранее
Номер модели
Прогноз
№6
0.8790
№9
0.8729
№12
0.8875
№15
0.9010
№21
0.8427
15

16. Прогноз минимальной вероятности инсульта

• Пол: Женщина
• Возраст: 21
• Гипертония: отсутствует
• Сердечные заболевания: отсутствует
• Семейное положение: замужем
• Занятость: никогда не работала
• Место жительства: село
• Средний уровень глюкозы: 80
• Индекс массы тела: 20
• Курение: никогда не курила
Номер модели
Прогноз
№6
0.0086
№9
0.0166
№12
0.0074
№15
0.0046
№21
0.0087
16

17. Архитектура лучшей модели

Параметры скрытых слоев
Параметры оптимизатора
•Количество скрытых слоев: 4
• Функция оптимизатора: Adam
•Количество нейронов: 32
• Темп обучения: 0.0001
•Функция активации : softplus
• Функция потерь: binary_crossentropy
Параметры выходного слоя
•Функция активации: sigmoid
Дополнительно
•Функция: BatchNormalization
• Метрика: accuracy
Параметры обучения
• Количество эпох: 250
• Размер пакета: 128
17

18. Отбор признаков

До отбора признаков
• Точность: 0.9594
• Потери: 0.1458
• Прогноз максимальной вероятности: 0.9010
• Прогноз минимальной вероятности: 0.0046
После отбора признаков
• Точность: 0.9641
• Потери: 0.1338
• Прогноз максимальной вероятности: 0.9628
• Прогноз минимальной вероятности: 0.0029
18

19. Разработка нейронной сети для решения задачи сегментации

19

20. Описание данных

• Источник: kaggle.com
• Формат данных: png
• Размер изображений: 512х512
пикселей
• Размер выборки: 2501
• Состав выборки: срез
головного мозга и маска
• Количество срезов с
кровоизлиянием: 318
Срез головного мозга и его маска
20

21. Подготовка данных

• Изменить размер изображений на 256х256 пикселей
• Создать датасет из пар: срез головного мозга и его маска
• Разбить на обучающую и тестовую выборки в соотношении:
75% и 25%
• Установить размер пакета: 16
21

22. Создание модели

Архитектура модели
• Тип предобученной модели: Unet
• Архитектура: resnet34
Параметры оптимизатора
• Функция оптимизатора: Adam
• Функция потерь: bce_jaccard_loss
• Метрика: iou_score
Параметры обучения
• Количество эпох: 100
• Размер пакета: 16
Архитектура модели Unet
22

23. Параметры оптимизатора

23

24. Сравнение точности моделей

backbone_name
Индекс Жаккара
resnet34
26.3312
seresnet50
22.3177
seresnext50
13.8616
resnext50
25.6886
densenet201
0.5162
mobilenetv2
8.1838
vgg19
13.4497
efficientnetb4
28.4084
Графики результата работы модели с параметром
backbone_name = «efficientnetb4»
24

25. Результат работы лучшей модели

25

26.

Срез головного мозга
Реальная маска
Предсказанная маска
Срез головного мозга
Реальная маска
Предсказанная маска
26

27. Заключение

• В данной работе была реализована нейронная сеть, которая на
основе классификации различных показателей здоровья и образа
жизни способна диагностировать наличие инсульта с точностью до
96%.
• Помимо этого, было исследовано то, как различные признаки влияют
на риск возникновения инсульта.
• Также в данной работе была разработана сверточная нейронная сеть
на основе предобученной модели Unet, позволяющая находить и
отрисовывать области с кровоизлиянием на срезах головного мозга,
полученных при помощи компьютерной томографии.
27