Интеллектуальная система диагностики состояния микроциркуляции человека

1.

Всероссийская научно-практическая
студенческая конференция «Недели науки 2023»
ИНТЕЛЛЕКТУАЛЬНАЯ
СИСТЕМА ДИАГНОСТИКИ
СОСТОЯНИЯ
МИКРОЦИРКУЛЯЦИИ
ЧЕЛОВЕКА
Проведение исследований: студенты группы УВВ-211
Жиглин М.Д., Попов М.Э., Зудина В.К., Саид Ахмад Н.И.,
Никаноров П.С., Артемьев М.В., Григорьева В.Д.
Руководитель НИР: доцент каф. ВССиИБ Малинский С.В.
Москва 2023

2.

Актуальность
Здоровье
и функции
организма
=
нормальная
работа сердечнососудистой
системы
Предупреждение заболеваний
Прогноз реабилитационного потенциала
Повышение эффективности лечения
Увеличение продолжительности и качества жизни
граждан
Повышение эффективности реабилитации в
условиях особых обстоятельств (медицина
катастроф, эпидемии, военные конфликты и т.п.)
2

3.

Проблема
Капилляроскопия бульбарной конъюнктивы глаза – перспективный метод диагностики,
НО
«ручной» анализ результатов и существенная зависимость интерпретации от
«человеческого фактора» снижают его эффективность.
Низкая скорость
обработки
Сложность
ручной
интерпретации
Человеческий
фактор
60-80 сек
40%
25%
длина видеоряда при
«ручном» анализе
доля кадров,
непригодных для
анализа
доля неправильно
интерпретированных
кадров из-за шумов
3

4.

Анализ проблемы
Есть российская
методика
капилляроскопии
бульбарной
конъюнктивы
глаза
Есть
исследования
по
интерпретации
полученных
результатов
Для обработки и
анализа
изображений
необходима
автоматизированная
(интеллектуальная)
система
Аналогов
предполагаемого
решения не
существует
Идея: Разработать интеллектуальную систему для
автоматизации и качественного улучшения диагностики
процессов микроциркуляции, происходящих в бульбарной
конъюнктиве глазного яблока.
4

5.

Формирование обучающей выборки
5

6.

Решение
Задача: разработка интеллектуальной системы диагностики состояния
микроциркуляции человека с использованием нейросетевых моделей
Реализация: проведены 2 группы исследований. Исследования трех зон
глаза, на которых регистрировались капилляры, а также исследования
большого количества моделей НС потенциально возможных к
применению при классификации видеокадров.
Результат: выбрана информативная зона глаза для видеоконтроля и
отобраны 5 перспективных моделей НС
6

7.

Обучаемые модели нейросетей
• ResNet-18
• ResNet-34
• ResNext-50
• ResNet-50V2
• Xception
7

8.

Оценка качества обученных
нейронных сетей
На обучающей
выборке:
На проверяющей
выборке:
RESNEXT-50
RESNET-18
Верно
100%
Верно
100%
RESNEXT-50
RESNET-18
Неверно
7%
Неверно
10%
Верно
93%
Верно
90%
8

9.

Внедрение
9

10.

Что дальше
Дообучение выбранных моделей нейронных
сетей и создание единой «голосующей»
модели
Обучение моделей нейронных сетей по
фотографиям сосудов бульбарной
конъюнктивы других областей глаза
Разработка новых методов предварительной
обработки фотографий для устранения шумов
Разработка параметрических методов
распознавания для помощи в содержательном
анализе патологий
10

11.

Команда
• Жиглин М.Д., лидер, обучение модели
• Попов М.Д., анализ данных, обучение модели
• Зудина В.К., анализ данных, обучение модели
• Артемьев М.В., обучение модели
• Никаноров П.С., работа с датасетом
• Григорьева В.Д., оформление презентации,
анализ данных
• Саид Ахмад Н.И., оформление отчета, анализ
данных
Ссылка на отчет
11