КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер проекта 18-71-10072
НазваниеРазработка новых математических методов и алгоритмов анализа рентгеновских изображений органов грудной полости для автоматизации диагностики заболеваний легких с помощью решения задачи классификации изображений с высокой внутриклассовой и низкой межклассовой дисперсией
Руководитель Ибрагимов Булат Азатович, кандидат наук (признаваемый в РФ PhD)
Организация финансирования, регион Автономная некоммерческая организация высшего образования "Университет Иннополис" , Республика Татарстан (Татарстан)
Конкурс №30 - Конкурс 2018 года по мероприятию «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными
Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-213 - Обработка и анализ изображений и сигналов
Ключевые слова Автоматизированная диагностика заболеваний легких, рак легких, туберкулез, медицинские изображения, анализ изображений, машинное обучение, классификация, вычисление признаков, фильтрация, искусственные нейронные сети, сегментация
Код ГРНТИ28.23.15
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
Заболевания грудной полости являются одной из главных причин смерти в мире, они способны быстро развиваться и приводить к смерти, если не обнаружены на ранних стадиях. К таким заболеваниям относятся рак легких (занимает лидирующие позиции по смертности среди онкологических заболеваний у мужчин), туберкулез, хроническая обструктивная болезнь легких (ХОБЛ) и кардиоваскулярные заболевания.
Флюорография органов грудной клетки является наиболее распространенным инструментом скрининга во многих странах. В России проводится 72 миллиона исследований в год. Обычно, флюорография направлена на определение туберкулёза, поэтому, зачастую, информация о возможном наличии других заболеваний, включая рак легких, остаётся неиспользованной и пропадает навсегда. Более того, замена устаревших аппаратов плёночной флюорографии на новые цифровые и, как следствие, улучшение качества снимков, делает возможным не только скрининг, но и полное диагностическое исследование изображений.
Одна из основных проблем обработки медицинских изображений – это высокая вариабельность (variance) в снимках внутри классов норм и патологий (даже для патологий одного вида). Причина заключается в индивидуальных особенностях организма каждого человека, зависимости качества изображения от типа аппарата, используемого для снимка, а также условий выполнения снимка. Новые методы и алгоритмы, которые будут разработаны в рамках проекта, должны решать проблему высокой вариабельности изображений норм и патологий и связанную с ней проблему высокой дисперсии признаков внутри классов.
Существуют CAD системы, созданные для обнаружения туберкулеза и раковых опухолей, но их точность недостаточно высока. Большинство таких систем работает в режиме поддержки принятия решений, выполняют роль помощников для врачей и не могут быть использованы для полной автоматической диагностики патологий, в том числе для автоматического скрининга с разделением на условные нормы и патологию. Таким образом, проблема автоматической диагностики различных типов патологий по рентгеновским снимкам с высокой точностью в последние годы не решена. Мы ставим перед собой весьма амбициозную задачу создания высокоэффективных алгоритмов обработки изображений, выявления признаков и классификации, что потребует значительных усилий. Алгоритмы будут основаны на глубоких нейронных сетях. Команда проекта имеет опыт в разработке алгоритмов на основе технологий машинного обучения и компьютерного зрения для анализа медицинских изображений. Взаимодействие с ведущими врачами-рентгенологами и клиниками позволит получить доступ к базе рентгеновских изображений большого объема и качественной медицинской экспертизе. Полученные нами алгоритмы могут быть применимы для анализа не только черно-белых медицинских изображений, но и цветных изображений других видов.
ОТЧЁТНЫЕ МАТЕРИАЛЫ