0 introduction
épanchement pleural est une maladie pleural clinique commune, est également associée à la performance d'une variété de maladies, selon les statistiques, il y a plus de 50 maladies peuvent causer un épanchement pleural directe ou indirecte . 68 anomalies des patients atteints de leucémie dans la poitrine, la poitrine des changements de rayons X leucémie 49 cas d'infection invasive, 72% . Dans l'emphysème d'addition, pneumothorax et atélectasie est des symptômes graves de la maladie. En raison des différences individuelles, au début ou avant l'apparition de ces symptômes ne sont pas nécessairement évidents, les services de radiologie des hôpitaux et des méthodes de diagnostic traditionnelles ne peuvent pas être rapide, une détection précise des symptômes correspondants de la maladie pour les médecins de servir de base à la prise de décision, ce qui chez les patients pas trop tôt pour donner la thérapie manquez pas le meilleur temps de traitement.
identification traditionnelle assistée par ordinateur-imagerie médicale radiographie thoracique est des règles d'identification basée principalement pour des tâches spécifiques de extraient manuellement les caractéristiques et les caractéristiques de la formation, le programme ne peut toujours pas échapper processus d'annotation manuelle. Parce que la subjectivité de l'annotation manuelle, il y a une fluctuation relativement importantes dans la précision de la reconnaissance. Novembre 2017 Andrew Ng de l'équipe de l'Université de Stanford a proposé une nouvelle technologie appelée CheXNet, la convolution de la technologie réseau de neurones est formé, testé sur les NIH (National Institutes of Health) Coffre ensemble de données d'image à rayons X a été l'infiltration la précision de détection de 88,31%, le taux de détection épanchement pleural de précision de 72,04 pour cent, 92,60 pour cent l'emphysème, pneumothorax 89,32%, 82,09% atélectasie de bons résultats, le taux de précision a des années d'expérience dans exactement le radiologue détecté taux, mais cette méthode de formation au cours d'une couche de réseau de neurones convolutionnel 121, étant donné que le processus de formation du réseau de neurones en profondeur afin que les exigences élevées de matériel de l'équipement informatique et de temps de formation, des modèles plus grands formés, ne sont pas propices à la transplantation plate-forme intégrée pour identifier. Cet article présente une données d'image de rayons X de la poitrine à l'aide de la convolution de réseau neuronal formé de MobileNets légers dans le serveur de GPU et le modèle de réseau bien formés dans la carte intégrée de noyau Jetson TX2, pour réaliser la poitrine X dans la plate-forme embarquée la méthode d'analyse de données d'image optique. Cette méthode, tout en précision de la reconnaissance à l'équipe Andrew Ng méthode de détection proposée raccourcit le temps des données d'image à rayons X nécessaires à l'analyse.
Une conception du système d'analyse par rayons X de la poitrine
Chest systèmes d'analyse d'image à rayons X décrit ici principalement par le module d'entraînement, le module d'identification, le module de transmission de réseau qui se compose de trois parties, l'ensemble du système dans la plate-forme embarquée NVIDIA produit des structures de plaque de coeur Jetson TX2, et à travers la plate-forme pour atteindre l'ensemble système de commande coordonnée. Module de formation consiste à établir la profondeur d'une des techniques d'apprentissage modèle de réseau neuronal convolutif utilisant le serveur sur le GPU, et ensuite utiliser ce modèle, la formation d'ensembles de données d'image de rayons X marqué, le modèle de réseau neuronal entraîné transplanté dans la carte de base Jetson TX2. Le module d'identification est utilisé dans la plate-forme intégrée dans la poitrine des rayons X à partir des données d'image de rayons X du modèle de réseau neuronal Jetson TX2 bord de base de l'analyse reçue, un épanchement normale, pleural, l'infiltration, l'emphysème, le pneumothorax et atélectasie six catégories de résultats de la classification. Module de transmission réseau est divisé en deux parties, l'image de rayons X de la poitrine transmis par le module Ethernet à la plate-forme d'imagerie machine à rayons X intégré, l'autre partie est reçue dans l'information d'image aux rayons X poitrine par le module Wi-Fi de plate-forme embarquée et la plate-forme intégrée pour télécharger les résultats de l'analyse des données d'image à la plate-forme de nuage hôpital pour stocker et distribuer des données, le diagnostic de la maladie pour les médecins de fournir le service approprié pour la prise de décision. Chest système d'analyse d'images de rayons X schéma fonctionnel spécialement conçu montré sur la figure 1.
2 poitrine conception matérielle du système d'analyse de rayons X
planche noyau intégré Jetson TX2 est équipé d'un module Ethernet, le module WiFi et d'autres modules fonctionnels principaux travaillent ensemble pour construire une caisse de plate-forme matérielle système d'analyse d'image de rayons X. Jetson TX2 Tegra plaque de noyau de processeur Parker comme un support, monté de système d'exploitation Ubuntu 16,04, puis le module Ethernet, la synergie du module WiFi de l'analyse de l'image aux rayons X de la poitrine, la transmission de données et d'autres fonctions dans la plate-forme intégrée.
Poitrine système d'analyse d'images à rayons X, un module de communication réseau est principalement composé de deux parties: la première partie est entre la transmission réseau des machines à rayons X et plateformes embarquées, cette partie du plan mis en uvre par le module Ethernet, principalement mis en uvre au sein du réseau local de l'hôpital capturé radiographie pulmonaire données d'image à la fonction de la carte de base Jetson TX2, schéma de circuit périphérique Ethernet du module de communication 2 par transmission Ethernet; la deuxième partie est une fonction de communication entre la plate-forme et de l'hôpital de nuage Internet intégré, la partie la conception est réalisée par le module WiFi, la réalisation principale de données d'image de rayons X reçue panneau à âme Jetson TX2 et la fonction d'analyse de données pour transférer la plate-forme de nuage d'hôpital, schéma de circuit périphérique WiFi du module de communication représenté sur la Fig.
L'analyse par rayons X de la poitrine conception du système logiciel
Poitrine logiciel système d'analyse par rayons X Conception et programmation embarquée deux parties d'extrémité par les programmes côté serveur GPU. programme côté serveur GPU est conçu principalement dans le cadre de l'apprentissage en profondeur Keras, tensorflow utilisé comme la fin arrière, dans le jeu de données d'imagerie médicale programmation thoracique à rayons X réseau de neurones MobileNets du langage Python convolutif pour le traitement de la normalisation de la taille de l'image, puis utilisez l'ensemble des données de formation et les modèles de réseaux de neurones formés transplantées à la plate-forme embarquée. programmation plate-forme embarquée principalement dans la configuration de la plate-forme intégrée nécessaire pour faire fonctionner l'environnement d'apprentissage en profondeur, en utilisant Python langage de programmation de haut niveau, le modèle de réseau de neurones est formé sur le serveur GPU lit la plate-forme intégrée et le modèle poitrine données d'image de rayons X de la classification reçue. Poitrine rayons X image processus de conception de logiciel d'analyse système représenté sur la figure 4.
4 MobileNets poitrine réseau images à rayons X basé sur l'analyse des
réseau MobileNets est un réseau de neurones de convolution profonde léger fourni par Google Inc., principalement pour les téléphones mobiles et les appareils embarqués. Le réseau de neurones est basé sur une architecture réseau simplifiée et efficace que les utilisations de la profondeur à construire un réseau de neurones léger convolution séparable de convolution profonde. MobileNets convolutif réseau de neurones peut être décomposé en une convolution norme de convolution et une convolution de point de profondeur (1 x 1), afin de réduire la quantité de calcul, de réduire la taille du modèle. étape de décomposition détaillée représentée sur la Fig. 5, où M représente le nombre de canaux d'entrée, représentant DK de la largeur et la hauteur du noyau de convolution, DF représente la caractéristique d'entrée largeur de la carte et de la hauteur, N représente le nombre de canaux de sortie.
Il peut être dérivé de la figure 5, un calcul de convolution des critères de coûts:
Peut être obtenue en calculant la profondeur de comparaison des coûts de convolution standard et convolution séparable, réseau MobileNets par application souple du noyau de convolution réduit la quantité de paramètres du modèle de réseau, de manière à réduire le coût de calcul a été dans une grande mesure.
MobileNets total de 28 couche réseau, à l'exception de la dernière couche de liaison complète, par algorithme BN pour faire le processus de normalisation pour chaque neurone après chaque couche du réseau, d'améliorer la vitesse de formation du réseau.
Préparer un extrait de script shell concentré sous Ubuntu 16,04 système NIH poitrine image de rayons X à partir des données normales qui s'y trouvent, un épanchement pleural, l'infiltration, l'emphysème, le pneumothorax et atélectasie six catégories au total 81'200 images dans le système actuel ensemble de données, les données extraites de l'ensemble désigné de rayons X, ensemble de données de rayons X contient une image normale 603849 551 images d'infiltration 3959 images épanchement pleural, 895 images emphysème 2199212 et quatre images pneumothorax image atélectasie. Avant la formation du modèle, les premières données d'image pré-traitement centralisé, la résolution de chaque image est normalisée à 128 × 128, puis les données dans la formation et d'essais des ensembles de deux parties, ce qui représente 75% de l'ensemble de la formation , ce qui représente 25% de l'ensemble de test. Au cours de l'ensemble de données de formation, en utilisant l'algorithme ADM afin d'optimiser le réseau, en fonction du nombre de perte de fonction de perte dans le réseau, et une fonction sigmoïde que la fonction d'activation, le nombre d'itérations est fixé à 4000 fois. Cette expérience a marqué la fin de la formation a étudié principalement deux aspects, le premier aspect d'itérations après avoir atteint l'ensemble de limite supérieure pour l'ensemble de la fin de la formation de la formation, un deuxième aspect de la perte (fonction de la perte) ne sont des valeurs réduites plus convergent, ce lorsqu'elle est considérée dans l'état actuel de ce réseau a été essentiellement optimisé, à la fin de la formation. Après la fin de la formation pour téléporté au conseil d'administration de base de réseau analyse Jetson TX2 des données d'image aux rayons X la poitrine dans la plate-forme embarquée.
5 Résultat Système d'analyse
Cette expérience de 60900 (représentant 75%), la poitrine images à rayons X 81 MobileNets CONVOLUTIONNELS réseau de neurones 200 images poitrine rayons X obtenus peuvent formation choisis au hasard être identifiés et un épanchement pleural infiltrant deux symptômes du réseau de neurones. Au cours représentant l'ensemble d'apprentissage de modèle de chaque époque itération 200, lorsque la Epoch = 13, à savoir le nombre d'itérations atteint 2600 fois, les valeurs de perte de convergence, cette fois pour atteindre le réseau sensiblement optimisé, l'extrémité entière de la formation, à environ 90 min la méthode utilisée en temps de moins de 121 équipe Andrew Ng utilisé pour former la couche réseau, le temps nécessaire à convolution. modification de la valeur de perte au cours du processus de formation comme montré sur la Fig.
Après la formation, le modèle transplanté à la plate-forme intégrée, avec le restant 20, 300 (soit 25%), la poitrine images à rayons X comme un ensemble de test, le modèle de valider l'ensemble de l'épanchement pleural, l'infiltration taux de reconnaissance moyenne des deux catégories, taux de précision moyenne de 91,01%, où le taux de précision de la reconnaissance de la catégorie normale de 98,68%. Nous avons mentionné ici le système d'analyse d'images à rayons X poitrine désignée comme ML-Xnet. Le tableau 1 montre professionnel radiologue équipe Andrew Ng a proposé la technologie CheXNet et ML-Xnet épanchement pleural, l'infiltration, la précision de la reconnaissance de l'emphysème, pneumothorax et atélectasie.
Comme on peut le voir d'après le tableau 1, les méthodes utilisées dans l'épanchement pleural, l'infiltration, l'emphysème, le pneumothorax et atélectasie cinq performances de reconnaissance des symptômes communs, et mieux que la méthode de CheXNet radiologue.
Véritable valeur aléatoire 4 poitrine données de transmission de rayons X de l'image de test, le temps de reconnaissance requis est d'environ 30 s, bien en dessous du radiologue pour détecter le temps nécessaire pour que les résultats d'essai représentés sur la figure 7, qui est l'image correspondant à la symptômes Reality , l'analyse de prédiction de la valeur prédite obtenue en utilisant les procédés décrits ici, représentant Pneumothrax d'infiltration d'infiltration représentant de pneumothorax, le représentant atélectasie atélectasie. Comme on peut le voir sur la figure les résultats réels sont compatibles avec le résultat de prédiction du système actuel 4 images poitrine rayons X.
6. Conclusions
Le système de Jetson TX2 transplantation cardiaque à bord de convolution MobileNets de serveur GPU formé modèle de réseau neuronal pour réaliser une analyse de la poitrine images de rayons X dans une plate-forme intégrée. Avec la machine à rayons X, le présent système peut être incorporé plate-forme de l'identification et combiné machine à rayons X pour produire à la fois la machine d'imagerie poitrine images à rayons X de l'image aux rayons X de la poitrine peut être analysé, la radiographie thoracique analyse des images de plus grande précision pour une utilisation plus facile.
références
Li Xiangyun, Li Wei, Zhang Zeming. La tuberculose, le diagnostic différentiel de progression de l'épanchement pleural malin . Chine Formation médicale continue, 2018,10 (11): 109-112.
Shang Yanhai, ZHANG Shu-Hong, Zhang Zhiwei, etc. poitrine clinique infiltration leucémique rayons X (analyse de 68 cas) Journal of Medical Imaging, 2002 (6): 449-451.
Résumé de l'imagerie médicale de diagnostic Zhangqiao Li, Zhao, Xuebin fin basé sur la profondeur de l'apprentissage Computer Science, 2017,44 (S2): 1-7.
Luo Tao, Mou Xuanqin Une radiographie du thorax d'image multi-échelle de détection d'un nodule filtre adapté Université Xi'an Jiaotong, 2011,45 (4): 30-35.
show Sit. Cancéreuses reconnaissance des images médicales basée sur convolution réseau de neurones Hefei: Chine Université des sciences et de la technologie, 2017.
HOWARD A G, M ZHU, CHEN B, ET al.MobileNets: les réseaux de neurones efficaces convolution pour des applications de vision mobiles .avXiv: 1704,04861 .
Hexue Ying, Han Zhongyi, Wei classification automatique intrinsèque de la profondeur de l'image pathologique du cancer du sein fondé sur l'apprentissage Génie informatique et applications, 2018 (12).
Informations sur l'auteur:
Zhou Jin Fan, Zhang Rongfen, Mazhi Nan, Gezi Li, Liu Yu-hong
(Big Data Information Engineering College de l'Université du Guizhou, Guiyang 550025)
