INTELLIGENT DATA ANALYSIS IN BIOMEDICAL RESEARCH: CONVOLUTIONAL ARTIFICIAL NEURAL NETWORKS

Cover Page

Cite item

Full Text

Abstract

Convolutional neural networks are one of the modern tools that allow medical research to analyze and recognize not just a set of data about the objects under study or patients, but to use an image as the object under study. Due to the significant role of visual diagnostic methods in the provision of medical care, the use of intelligent recognition of the results of these methods becomes essential. At the moment, convolutional neural networks become widespread in research on the quality of diagnostics in various fields of medicine. However, complex mathematical apparatus behind convolutional neural networks function, and the tools for their construction limit implementation of these models into medical research and practice. This paper provides a gentle introduction to the methodology and application possibilities of convolutional neural networks in medical research. In this paper the reader will find methodological foundations behind convolutional neural networks, a description of a data set for building such models, an example of construction of a convolutional neural network model for classification of dermatoscopic images using TensorFlow and Keras libraries in Python as well as recommendations on how to present the results of building convolutional neural networks.

About the authors

A. N. Narkevich

Voyno-Yasenetsky Krasnoyarsk State Medical University

Email: arkevichart@gmail.com
доктор медицинских наук, доцент, заведующий лабораторией медицинской кибернетики и управления в здравоохранении, заведующий кафедрой медицинской кибернетики и информатики Krasnoyarsk, Russia

K. A. Vinogradov

Voyno-Yasenetsky Krasnoyarsk State Medical University

Krasnoyarsk, Russia

K. M. Paraskevopulo

Voyno-Yasenetsky Krasnoyarsk State Medical University

Krasnoyarsk, Russia

T. H. Mamedov

Voyno-Yasenetsky Krasnoyarsk State Medical University

Krasnoyarsk, Russia

References

  1. Алексеева О. В., Россиев Д. А., Ильенкова Н. А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей // Сибирское медицинское обозрение. 2010. Т. 66, № 6. С. 75-79
  2. Волосова А. В. Применение методов искусственного интеллекта для визуализации МРТ-изображений и ранней диагностики болезни Альцгеймера // Аспирант и соискатель. 2019. № 2. С. 124-126
  3. Гржибовский А. М., Иванов С. В., Горбатова М. А. Однофакторный линейный регрессионный анализ с использованием программного обеспечения Statistica и SPSS // Наука и здравоохранение. 2017. № 2. С. 5-33
  4. Гуляев Ю. В., Корженевский А. В., Черепенин В. А. О возможности использования электроимпедансной компьютерной томографии для диагностики поражения легких вирусом COVID-19 // Журнал радиоэлектроники. 2020. № 5. С. 12
  5. Далечина А. В., Беляев М. Г., Тюрина А. Н., Золотова С. В., Пронин И. Н., Голанов А. В. Методы машинного обучения в сегментации глиом для планирования стереотоксической лучевой терапии // Лучевая диагностика и терапия. 2019. № 2. С. 24-31
  6. Ковалев В. А., Войнов Д. М., Малышев В. Д., Лапо Е. Д. Компьютеризированная диагностика рака простаты на основе полнослайдовых гистологических изображений и методов глубокого обучения // Информатика. 2020. Т. 17, № 4. С. 48-60
  7. Константинова Е. Д., Вараксин А. Н., Жовнер И. В. Определение основных факторов риска развития неинфекционных заболеваний: метод деревьев классификации // Гигиена и санитария. 2013. Т. 92, № 5. С. 69-72
  8. Нагорнов Н. Н. Моделирование вейвлет-обработки трехмерных изображений в медицине // Современная наука и инновации. 2019. № 3. С. 22-31
  9. Никитина М. А., Пчелкина В. А., Чернуха И. М. Нейросетевые технологии в анализе гистологических препаратов // Контроль качества продукции. 2019. № 3. С. 17-24
  10. Харевич О. Н., Лаптева И. М., Лаптева Е. А., Королева Е. Г. Клинические фенотипы тяжелой астмы (по результатам кластерного анализа) // Вестник Санкт-Петербургского университета. Медицина. 2015. № 2. С. 28-39
  11. Шилов О. А. Сегментация изображений легких человека с использованием свёрточных нейронных сетей // Процессы управления и устойчивость. 2020. Т. 7, № 1. С. 178-182
  12. Anwar S. M., Majid M., Qayyum A., Awais M., Alnowami M., Khan M. K. Medical image analysis using convolutional neural networks: A review. Journal of Medical Systems. 2018, 42 (1 1), р. 226. DOI: 10.1007/s 10916018-1088-1.
  13. Bamber J. H., Evans S. A. The value of decision tree analysis in planning anaesthetic care in obstetrics. International Journal of Obstetric Anesthesia. 2016, 27, рр. 55-61. doi: 10.1016/j.ijoa.2016.02.007.
  14. Ben-Gal I., Dana A., Shkolnik N., Singer G. Efficient Construction of Decision Trees by the Dual Information Distance Method. Quality Technology & Quantitative Management. 2014, 11 (1), рр. 133-147.
  15. Chereda H., Bleckmann A., Kramer F., Leha A., Beissbarth T. Utilizing molecular network information via graph convolutional neural networks to predict metastatic event in breast cancer. Studies in Health Technology and Informatics. 2019, 267, pp. 181-186. doi: 10.3233/SHTI190824.
  16. Cybenko G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems. 1989, 2 (4), pp. 303-314. DOI: 10.1007/ BF02551274.
  17. LeCun Y., Boser B., Denker J. S., Henderson D., Howard R. E., Hubbard W, Jackel L. D. Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation. 1989. 1 (4). pp. 541-551.
  18. Nair V, Hinton G. E. Rectified Linear Units Improve Restricted Boltzmann Machines. 27th International Conference on International Conference on Machine Learning. 2010. USA, Omnipress, pp. 807-814.
  19. Sumida I., Magome T., Kitamori H., Das I. J., Yamaguchi H., Kizaki H., Aboshi K., Yamashita K., Yamada Y., Seo Y., Isohashi F., Ogawa K. Deep convolutional neural network for reduction of contrast-enhanced region on CT images. Journal of Radiation Research. 2019, 60 (5), pp. 586594. doi: 10.1093/jrr/rrz030.
  20. Viebke A., Memeti S., Pllana S., Abraham A. CHAOS: a parallelization scheme for training convolutional neural networks on Intel Xeon Phi. The Journal of Supercomputing. 2019, 75 (1 ), pp. 197-227. DOI: 10. 1007/s 1 1227-017-1994-x.
  21. Wollmann T., Gunkel M., Chung I., Erfle H., Rippe K., Rohr K. GRUU-Net: Integrated convolutional and gated recurrent neural network for cell segmentation. Medical Image Analysis. 2019, 56, pp. 68-79. DOI: 10.1016/j. media.2019.04.01 1.
  22. Wu Y., Lin L., Wang J., Wu S. Application of semantic segmentation based on convolutional neural network in medical images. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2020, 37 (3), pp. 533-540. doi: 10.7507/1001- 5515.201906067.
  23. Yasaka K., Akai H., Kunimatsu A., Kiryu S., Abe O. Deep learning with convolutional neural network in radiology. Japanese Journal of Radiology. 2018, 36 (4), pp. 257-272. doi: 10.1007/s1 1604-018-0726-3.
  24. Zhang W. Image processing of human corneal endothelium based on a learning network. Applied Optics. 1991, 30 (29), pp. 4211-4217. doi: 10.1364/AO.30.004211.
  25. Zhang Y., Lin H., Yang Z., Wang J., Sun Y., Xu B., Zhao Z. Neural network-based approaches for biomedical relation classification: A review. Journal of Biomedical Informatics. 2019, 99, e103294. doi: 10.1016/j.jbi.2019.103294.

Copyright (c) 2021 Narkevich A.N., Vinogradov K.A., Paraskevopulo K.M., Mamedov T.H.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies