The algorithms of pathological and structural structures using neural networks allow accelerating the process of diagnosing anomalies, reducing the number of errors and repeated polls of users. The article discusses methods of machine systematization and recognition of X-ray images (CXR), as well as the problems of improving artificial neural networks, which are used to enhance the properties of the systematization of X-ray syndromes. Since it is quite enough to implement a certain algorithm to detect a disease, neural networks are ideal for recognizing diseases using scanning. After analyzing research and publications on this topic, the main tasks for modeling the system were formed. The architectures of neural networks were also classified, indicating their disadvantages and advantages. It was revealed that modern methods of detecting anomalies in CXR have some difficulties, such as the missing number of training information, image typing, and preliminary segmentation of the training set. Deterministic specific methods for solving the problems of neural networks in data analysis. For implementation, it is proposed to apply deep machine learning methods, based on convolutional neural networks, using preliminary segmentation of a training sample with back propagation of error and gradient descent c and using transfer learning to systematize diseases on medical images. To solve the tasks, innovative IT technologies were selected. As a result, a certain architecture of the intelligent system was implemented, which allows us to detect anomalies in radiographs, which allow us to create effective structures of neural networks and increase the accuracy of recognition of pathological structures in radiographs.
Прискорити процес діагностики аномалій, знизити кількість помилок і повторних опитувань користувачів дозволяють алгоритми патолого-структурних структур, що використовують нейронні мережі. У статті розглядаються способи машинної систематизації та розпізнавання рентгенівських знімків (CXR), а також проблеми вдосконалення штучних нейронних мереж, які застосовуються з метою посилення властивостей систематизації рентгенологічних синдромів. З причини того, що для виявлення захворювання цілком достатньо реалізувати певний алгоритм, нейронні мережі є ідеальними для розпізнавання хвороб із застосуванням сканування. Проаналізувавши досліджень і публікацій з цієї теми були сформовані основні завдання для моделювання системи. Також були класифіковані архітектури нейронних мереж, із зазначенням їх недоліків і переваг. Виявлено, що сучасні методи виявлення аномалій в CXR мають деякі складності, такі як відсутні число тренувальних відомостей, типизацией зображень і попередньої сегментацією тренувального набору. Детерміновані конкретні способи вирішення проблем нейронних мереж при аналізі даних. Для реалізації запропоновано застосувати методи глибокого машинного навчання, на основі згортальних нейронних мереж застосовуючи попередню сегментацію тренувальної вибірки зі зворотним поширенням помилки і градієнтного спуску з і застосування трансферного навчання для систематизації захворювань на медичних зображеннях. Для вирішення поставлених завдань обрані інноваційні ІТ-технології. В результаті була реалізована певна архітектура інтелектуальної системи, що дозволяє виявляти аномалії на рентгенограмах, які дозволяють нам створювати ефективні структури нейронних мереж і підвищувати точність розпізнавання патологічних структур на рентгенограмах.
Ускорить процесс диагностики аномалий, снизить количество ошибок и повторных опросов пользователей позволяют алгоритмы патолого-структурных структур, использующих нейронные сети. В статье рассматриваются способы машинной систематизации и распознавания рентгеновских снимков (CXR), а также проблемы совершенствования искусственных нейронных сетей, которые применяются с целью усиления свойств систематизации рентгенологических синдромов. В виду того, что для выявления заболевания вполне достаточно реализовать определенный алгоритм, нейронные сети являются идеальными для распознавания болезней с применением сканирования. Проанализировав исследований и публикаций по этой теме были сформированные основные задачи для моделирования системы. Также были классифицированы архитектуры нейронных сетей, с указанием их недостатков и преимуществ. Выявлено, что современные методы обнаружения аномалий в CXR имеют некоторые сложности, такие как недостающие число тренировочных сведений, типизацией изображений и предварительной сегментацией тренировочного набора. Детерминированные конкретные способы решения проблем нейронных сетей при анализе данных. Для реализации предложено применить методы глубокого машинного обучения, на основе сверточных нейронных сетей, применяя предварительную сегментацию тренировочной выборки с обратным распространением ошибки и градиентного спуска с и применения трансферного обучения для систематизации заболеваний на медицинских изображениях. Для решения поставленных задач выбраны инновационные ІТ-технологии. В результате была реализована определенная архитектура интеллектуальной системы, позволяющая обнаруживать аномалии на рентгенограммах, которые позволяют нам создавать эффективные структуры нейронных сетей и повышать точность распознавания патологических структур на рентгенограммах.
