Розробка покращеного методу класифікації рентгенівських зображень грудної клітки для виявлення COVID-19 з використанням CNN

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-11 Вовком Романом Орестовичем. Тема “Розробка покращеного методу класифікації рентгенівських зображень грудної клітки для виявлення COVID-19 з використанням CNN”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є використання нейронних мереж та інших допоміжних методів машинного навчання у виявленні ознак COVID-19. Предметом дослідження є COVID-19, зокрема вплив хвороби на грудну клітку пацієнта помітний через її рентгенівські зображення. Дослідження представляє гібридну модель глибокого навчання, що поєднує механізми CNN, LSTM і Coordinate Attention. Архітектура спеціально оптимізована для аналізу медичних зображень, зосереджена на виявленні COVID-19. Ефективність моделі була ретельно оцінена за допомогою таких показників, як точність, влучність, повнота, оцінка F1 і матриці невідповідностей. Результати продемонстрували значні покращення в порівнянні з існуючими моделями глибокого навчання в цій галузі. Результатом дослідження стала розробка масштабованого та ефективного діагностичного інструменту на основі штучного інтелекту, здатного з високою точністю визначати симптоми COVID-19 на рентгенівських знімках грудної клітки. Запропонована система має потенціал для інтеграції в клінічні робочі процеси, допомагаючи радіологам і медичним працівникам у своєчасній діагностиці та плануванні лікування. Загальний обсяг роботи: 113 сторінок, 7 рисунків, 45 посилань. The master’s qualification work was completed by Vovk Roman Orestovych, a student of the KNSSh-21 study group. The topic is "Development of an enhanced method for classifying chest X-ray images to detect COVID-19 using CNN" The work is aimed at obtaining a master’s degree in the specialty 122 "Computer Science". The object of research is the use of neural networks and auxiliary methods of machine learning in identifying signs of COVID-19. The subject of research is the impact of COVID-19 on the patient’s chest cavity observed through X-ray imaging. The hybrid model leverages CNNs for extracting spatial features from chest Xrays, while the LSTM layers enhance the model's ability to capture sequential and contextual dependencies in the extracted features. Additionally, the Coordinate Attention mechanism ensures the model focuses on the most relevant areas of the images, improving precision and interpretability. A carefully curated dataset of chest X-rays was compiled, addressing challenges such as class imbalance and image variability. Advanced preprocessing techniques, including resizing, normalization, and augmentation, were applied to enhance the quality and robustness of the dataset. The research introduces a hybrid deep learning model combining CNN, LSTM, and Coordinate Attention mechanisms. The architecture is specifically optimized for medical image analysis, with a focus on COVID-19 detection. The system was implemented as a complete artificial intelligence (AI)-based solution for diagnosing COVID-19 symptoms. The model's performance was rigorously evaluated using metrics such as accuracy, precision, recall, F1-score, and confusion matrices. Results demonstrated significant improvements over existing deep learning models in the field. The proposed model's performance was benchmarked against state-of-the-art architectures such as ResNet, DenseNet, and Inception, showcasing superior results in COVID-19 classification accuracy and robustness. The thesis also provides practical insights into deploying the model in real-world medical applications, addressing challenges such as resource requirements and memory optimization. The study culminated in the development of a scalable and efficient AI-based diagnostic tool capable of identifying COVID-19 symptoms from chest X-rays with high accuracy. The proposed system holds potential for integration into clinical workflows, aiding radiologists and healthcare professionals in timely diagnosis and treatment planning.