Стажировка по проекту
Компания: ООО «Радлоджикс Рус»
система сегментации грудного объема и плеврального выпота в пораженных легких
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Задача проекта заключается в разработке алгоритма сегментации грудного объема и плеврального выпота в пораженных легких с использованием методов машинного обучения и нейросетей на основе компьютерной томографии грудной клетки
1 этап: На выходе из системы конманда получила файл сегментированного объема плеврального выпота и, при наличии такого выпота у пациента, производился расчет объема плеврального выпота. Точность нейронной сети составила 83 %
2 этап: На выходе из системы команда получила файл сегментированного объема плеврального выпота и, при наличии такого выпота у пациента, производился расчет объема плеврального выпота. Точность нейронной сети составила 82 % (у 2D-модели) и 74% (у 3D-модели). 3D нужно дообучать не сжимая картинки и результат будет значительно лучше, но такая модель требует значительных мощностей
2 этап: На выходе из системы команда получила файл сегментированного объема плеврального выпота и, при наличии такого выпота у пациента, производился расчет объема плеврального выпота. Точность нейронной сети составила 82 % (у 2D-модели) и 74% (у 3D-модели). 3D нужно дообучать не сжимая картинки и результат будет значительно лучше, но такая модель требует значительных мощностей
В данном проекте был использован набор сегментированных снимков грудного объема и плеврального выпота в пораженных легких, полученных с помощью компьютерной томографии грудной клетки
Данный проект был добавлен в систему, предназначенную для помощи врачам при диагностировании заболеваний легких. Он помогает в поиске, выделении и расчете объема плеврального выпота, что представляет собой наличие жидкости внутри плевральной полости и может возникать при некоторых заболеваниях легких
Участники
1 команды проекта
1 команды проекта
- Терещенко АлексейТимлид проектаАлексей - руководитель группы разработчиков, отвечал за полную разработку проекта
- Шляпников СергейИнженер строитель – технолог. Малоэтажное строительство домов и коттеджей
- Работа с датасетом и подготовка для обучения платформе Terra AI;
- Эксперименты на интеллектуальной платформе Terra AI;
- Создание различных архитектур Unet, включая последовательные и параллельные Unet;
- Тестирование моделей на эффективность
- Матвеев АлексейПредприниматель, автоматизированный мониторинг цен на сайтах интернет магазинов
- Преобразование датасета (конвертация dcom и nifti файлов в png);
- Создание ноутбука для обучения нейросети с применением генератора и аугментацией;
- Испытания разных архитектур нейросетей;
- Подготовка ноутбука для демонстрации работы итоговой нейросети заказчику
- Баксан ЛилианЧастный предприниматель в зоне ИТ
- Изучение тематики получаемых данных в формате DICOM;
- Разработка класса для проведения тестирования на основе любых моделей;
- Анализ моделей различных архитектур и влияние их на результаты;
- Подготовка сервера заказчика, установка среды CONDA, проведение тестов на сервере заказчика
- Давыдов ТеймуразИнженер (телекоммуникации, связь АТС, энергетика). Работал на промышленных объектах СНГ, ТрансГаз, Энергоналадка
- Работа с датасетом и подготовка для обучения;
- Подготовка метаинформации по датасету;
- Создание архитектуры Unet3D;
- Тестирование модели
Участники
2 команды проекта
2 команды проекта
- Колбенев ВасилийТимлид проектаВасилий - руководитель группы разработчиков, отвечал за полную разработку проекта
- Писарев МаксимПрограммист / разрабатывал автоматизированную систему мониторинга подстанций
- Анализ данных/поиск материалов;
- Предобработка данных;
- Эксперименты с различными архитектурами нейросетей (Unet2D)
- Николаев АндрейМенеджер распределительного центра
- Анализ данных/поиск материалов;
- Предобработка данных;
- Эксперименты с архитектурами нейросетей
- Широкова Элинаспециалист по поддержке Scala ERP
- Анализ данных/поиск материалов;
- Обработка данных;
- Эксперименты с различными архитектурами нейросетей (Unet2D\Unet3D)
- Шатобина Диана
- Анализ данных/поиск материалов;
- Предобработка данных;
- Эксперименты с различными архитектурами нейросетей (Unet2D)
Участники
3 команды проекта
3 команды проекта
- Терещенко АлексейТимлид проектаАлексей - руководитель группы разработчиков, отвечал за полную разработку проекта
- Уткин ДмитрийFull Stack Web Developer
- Анализ табличных данных датасета;
- Анализ файлов датасета: соответствие КТ и масок, вылеты и пробелы в масках, анализ значений в диапазоне выпотов;
- Разработка функций и инструментария для очистки, нормализации и балансировки датасета;
- Разработка функций и инструментария для конвертация датасета в tf.records для подачи в нейросеть через tf.data API;
- Разработка функций и инструментария для ресемплинга снимков (изменение размера, спейсинга, паддинга) с помощью библиотеки SimpleITK;
- Разработка функций для визуализации данных: 2D наложение, 3D наложение, 2D слайдер;
- Тестирование и подбор гиперпараметров нейросетей архитектур: Unet, Attention Unet, Residual Attention U-net, U-net with Deep supervision loss
- Авалишвили КириллИнженер информационных систем
- Проведен визуальный анализ медицинских изображений для более глубокого понимания их особенностей и качества;
- Преобразование формата DICOM к формату NIfTI с использованием библиотеки dicom2nifti;
- Создание бинарных масок объекта пациента с применением алгоритма Otsu и морфологических операций;
- Использование 3D U-Net для задачи сегментации плеврального выпота;
- Применение метода сжатия и декомпрессии данных перед их передачей для обучения нейронной сети;
- Полученные результаты представляют собой фундамент для будущих исследований и оптимизаций в области сегментации медицинских изображений
- Кузьмин ОлегИнженер-радиотехник
- Произведен анализ предоставленного заказчиком датасета;
- Работа с масками и оригинальными снимками включала изучение методов создания масок;
- Подготовка нового набора данных для обучения, основанного на масках в бинарной классификации;
- В ходе работы над математическими методами анализа датасета были проведены расчеты математического ожидания значений пикселей в зоне выпота, а также построение нормального распределения с использованием правила 3-х сигм;
- Разработка спектра распределения значений пикселей в различных диапазонах, что позволило вычислить долю пикселей выпота в общем количестве на слайсе;
- Преобразование предоставленных заказчиком файлов с масками для 14 пациентов, с использованием разработанных методик. Создание персональных ноутбуков для каждого пациента с описанием процесса преобразования и анализа снимков;
- Предоставленные данные оказались подвержены разнообразным видам поражения. Путем спектрального анализа была выявлена возможность много классовой классификации по типам поражения
- Авалиани ГеоргийСпециалист по машинному обучению / ML engineer / Data scientist / Индивидуальный предприниматель
- Преобразование пиксельных значений в Hounsfield Units (HU) для адаптации изображений к стандартной шкале;
- Ресемплирование сканов для получения изоморфного разрешения и обеспечения совместимости данных;
- Статистический анализ данных и визуализация сканов в 3D для более глубокого понимания характеристик датасета;
- Отдельная сегментация легких и выпотов для более точной анализа и интерпретации результатов;
- Изучение физического положения выпотов и легких в пространстве для дополнительного анализа;
- Тестирование nnU-Net (преимущество этого фреймворка: может работать с разными модальностями данных, понимает анизотропию и расстояние между вокселями)
Демонстрация проекта
Поиск плеврального выпота в серии снимков КТ (для здорового пациента)
Поиск плеврального выпота в серии снимков КТ
Благодарность университетУ