মেশিন-লার্নিং ফ্রেমওয়ার্ক বুকের এক্স-রেতে নিউমোনিয়াকে শ্রেণিবদ্ধ করে

নিউমোনিয়া একটি সম্ভাব্য মারাত্মক ফুসফুসের সংক্রমণ যা দ্রুত অগ্রসর হয়। নিউমোনিয়ার উপসর্গযুক্ত রোগীদের - যেমন শুষ্ক, হ্যাকিং কাশি, শ্বাসকষ্ট এবং উচ্চ জ্বর - সাধারণত ফুসফুসের স্টেথোস্কোপ পরীক্ষা করা হয়, তারপরে নির্ণয়ের নিশ্চিত করতে বুকের এক্স-রে করা হয়। ব্যাকটেরিয়া এবং ভাইরাল নিউমোনিয়ার মধ্যে পার্থক্য করা, তবে, একটি চ্যালেঞ্জ রয়ে গেছে, কারণ উভয়ের ক্লিনিকাল উপস্থাপনা একই রকম।

গাণিতিক মডেলিং এবং কৃত্রিম বুদ্ধিমত্তা রেডিওগ্রাফিক ছবি থেকে রোগ নির্ণয়ের নির্ভুলতা উন্নত করতে সাহায্য করতে পারে। মেডিক্যাল ইমেজ শ্রেণীবিভাগের জন্য গভীর শিক্ষা ক্রমবর্ধমান জনপ্রিয় হয়ে উঠেছে, এবং বেশ কিছু গবেষণায় বুকের এক্স-রে ছবি থেকে স্বয়ংক্রিয়ভাবে নিউমোনিয়া শনাক্ত করতে কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) মডেলের ব্যবহার অনুসন্ধান করা হয়েছে। তবে, কার্যকর মডেল তৈরি করা গুরুত্বপূর্ণ যা মিথ্যা নেতিবাচক ছাড়াই বিপুল সংখ্যক চিকিৎসা চিত্র বিশ্লেষণ করতে পারে।

এখন কে এম আবুবেকার ও এস বাস্কর এ করপাগাম একাডেমি অফ হায়ার এডুকেশন ভারতে গ্রাফিক্স প্রসেসিং ইউনিটে (GPU) বুকের এক্স-রে ছবিগুলির নিউমোনিয়া শ্রেণীবিভাগের জন্য একটি অভিনব মেশিন-লার্নিং কাঠামো তৈরি করেছে৷ তারা তাদের কৌশল বর্ণনা করে মেশিন লার্নিং: বিজ্ঞান ও প্রযুক্তি.

প্রশিক্ষণ তথ্য অপ্টিমাইজেশান

ডিপ-লার্নিং ক্লাসিফায়ারের কর্মক্ষমতা নিউরাল নেটওয়ার্ক মডেল এবং নেটওয়ার্ককে প্রশিক্ষণের জন্য ব্যবহৃত ডেটার গুণমান উভয়ের উপর নির্ভর করে। মেডিকেল ইমেজিংয়ের জন্য, যথেষ্ট বড় ডেটাসেটের অভাব সাবপার পারফরম্যান্সের একটি প্রাথমিক কারণ। এই ঘাটতি মোকাবেলার জন্য, গবেষকরা ডেটা অগমেন্টেশন ব্যবহার করেছেন, যাতে ডেটাসেটকে আরও ব্যাপক এবং বৈচিত্র্যময় করতে বিদ্যমান ডেটা (উদাহরণস্বরূপ চিত্র ঘূর্ণন, স্থানান্তর এবং ফসলের মাধ্যমে) থেকে নতুন প্রশিক্ষণ ডেটা সংশ্লেষিত হয়।

উপযুক্ত প্রশিক্ষণ ডেটার অভাব মোকাবেলার জন্য নিযুক্ত আরেকটি পদ্ধতি হ'ল স্থানান্তর শেখার - একটি সম্পর্কিত কাজ সম্পাদন করার সময় প্রাপ্ত বিদ্যমান জ্ঞান ব্যবহার করে একটি নতুন কাজ শেখার জন্য একটি মডেলের ক্ষমতা উন্নত করা। তাদের অধ্যয়নের প্রথম পর্যায়ে, আবুবেকার এবং বাস্কর বুকের এক্স-রে নিউমোনিয়াকে চিত্রিত করে কিনা তা মূল্যায়ন করতে নয়টি অত্যাধুনিক নিউরাল সিএনএন মডেলকে প্রশিক্ষণ দেওয়ার জন্য ট্রান্সফার লার্নিং ব্যবহার করেছিলেন।

পরীক্ষা-নিরীক্ষার জন্য, তারা পাবলিক RSNA কাগল ডেটাসেট থেকে বুকের এক্স-রে ছবি ব্যবহার করেছে, যার মধ্যে প্রশিক্ষণের ছবি রয়েছে (1341টি স্বাভাবিক হিসাবে শ্রেণীবদ্ধ, 1678টি ব্যাকটেরিয়া নিউমোনিয়া হিসাবে এবং 2197টি ভাইরাল নিউমোনিয়া হিসাবে), পরীক্ষা (234 স্বাভাবিক, 184 ব্যাকটেরিয়া নিউমোনিয়া, p206 ভাইরাল নিউমোনিয়া)। ) এবং বৈধতা (76 স্বাভাবিক, 48 ব্যাকটেরিয়া নিউমোনিয়া, 56 ভাইরাল নিউমোনিয়া)। ডেটাসেটে জ্যামিতিক পরিবর্ধন প্রয়োগ করে এটিকে মোট 2571টি স্বাভাবিক, 2019টি ব্যাকটেরিয়া এবং 2625টি ভাইরাল নিউমোনিয়া চিত্রে প্রসারিত করা হয়েছে।

নির্ভুলতা, প্রত্যাহার এবং ROC বক্ররেখা (AUROC, বেশ কয়েকটি থ্রেশহোল্ডের উপর একটি মেট্রিক সংক্ষিপ্ত কর্মক্ষমতা) সহ কর্মক্ষমতা পরিমাপের উপর ভিত্তি করে গবেষকরা তিনটি সেরা পারফরম্যান্সকারী CNN মডেল বেছে নিয়েছেন - DenseNet-160, ResNet-121, এবং VGGNet-16 – একটি ensemble কৌশল ব্যবহার করে পুনরায় প্রশিক্ষণের জন্য।

এনসেম্বল কৌশল

একটি একক মেশিন-লার্নিং মডেলের উপর নির্ভর করার পরিবর্তে, এনসেম্বল মডেলগুলি পারফরম্যান্সের মেট্রিক্স বাড়ানোর জন্য এবং ত্রুটিগুলি কমানোর জন্য বেশ কয়েকটি মডেলের সিদ্ধান্তগুলিকে পুল করে। গবেষকরা B2-Net নামে একটি ট্রান্সফার লার্নিং-ভিত্তিক এনসেম্বল কৌশল তৈরি করেছেন এবং একটি চূড়ান্ত মডেল তৈরি করতে তিনটি নির্বাচিত CNN-এর সাথে এটি ব্যবহার করেছেন। তারা একটি NVIDIA জেটসন ন্যানো GPU কম্পিউটারে চূড়ান্ত B2-নেট মডেল বাস্তবায়ন করেছে।

তারা লক্ষ্য করে যে প্রশিক্ষণের সময়, কিছু মডেল সাধারণ এক্স-রে চিত্রগুলি সনাক্ত করতে আরও ভাল পারফরম্যান্স করেছিল, অন্যরা ভাইরাল এবং ব্যাকটেরিয়াল নিউমোনিয়ার নমুনাগুলি সনাক্ত করতে আরও ভাল পারফরম্যান্স করেছিল। এনসেম্বল কৌশলটি পূর্বনির্ধারিত মানদণ্ডের উপর ভিত্তি করে প্রতিটি শ্রেণীবদ্ধকারীকে একটি নির্দিষ্ট মাত্রার শক্তি প্রদান করতে একটি ওজনযুক্ত ভোটিং কৌশল ব্যবহার করে।

পুনঃপ্রশিক্ষিত মডেলগুলি বেসলাইন মডেলগুলির উপর ডায়গনিস্টিক নির্ভুলতার উল্লেখযোগ্য উন্নতি প্রদর্শন করেছে। একটি ভারসাম্যপূর্ণ ডেটাসেটে মডেলগুলি পরীক্ষা করে দেখা গেছে যে DenseNet-160, ResNet-121 এবং VGGNet-16 যথাক্রমে 0.9801, 0.9822 এবং 0.9955 এর AUROC মান অর্জন করেছে। প্রস্তাবিত B2-নেট এনসেম্বল পদ্ধতি, যাইহোক, 0.9977 এর AUROC সহ তিনটিকেই ছাড়িয়ে গেছে।

গবেষকরা পুল করা ডেটাসেট থেকে প্রায় 2টি বুকের এক্স-রে চিত্রের একটি উপসেট ব্যবহার করে B600-Net এবং অন্য তিনটি মডেলের মূল্যায়ন ও যাচাই করেছেন। DenseNet-160 নিউমোনিয়া পরীক্ষার তিনটি চিত্রকে ভুল শনাক্ত করেছে, যখন VGGNet-16 এবং ResNet-121 প্রতিটি একটি এক্স-রে চিত্রকে ভুলভাবে নির্ণয় করেছে। সামগ্রিকভাবে, প্রস্তাবিত B2-নেট পদ্ধতি অন্যান্য সমস্ত মডেলকে ছাড়িয়ে গেছে, সাধারণ ক্ষেত্রে, ব্যাকটেরিয়া নিউমোনিয়া এবং ভাইরাল নিউমোনিয়ার মধ্যে পার্থক্য করে বুকের এক্স-রে ছবিতে 97.69% নির্ভুলতা এবং একটি প্রত্যাহার হার (মোট ইতিবাচক সংখ্যার মধ্যে সত্যিকারের ইতিবাচকের অনুপাত) 100% এর।

AI COVID-19-এর জন্য সিটি স্ক্যান পরীক্ষা করে

আবুবেকার এবং বাস্কর ব্যাখ্যা করেছেন যে যখন মিথ্যা নেতিবাচক হার একটি মেডিকেল ইমেজ ক্লাসিফায়ারের জন্য সবচেয়ে গুরুত্বপূর্ণ মানদণ্ড, প্রস্তাবিত B2-নেট মডেলটি রিয়েল-টাইম ক্লিনিকাল অ্যাপ্লিকেশনগুলির জন্য সেরা বিকল্প প্রদান করে। "এই পদ্ধতিটি, বিশেষ করে বর্তমান বিশ্বব্যাপী COVID-19 প্রাদুর্ভাবের সময়, রেডিওলজিস্টদের দ্রুত এবং নির্ভরযোগ্যভাবে নিউমোনিয়া নির্ণয়ে সহায়তা করতে পারে, প্রাথমিক চিকিত্সার অনুমতি দেয়," তারা লিখেছেন।

এর পরে, তারা টিবি এবং কোভিড-১৯ রূপ সহ আরও ফুসফুসের ব্যাধিগুলিকে শ্রেণিবদ্ধ করতে তাদের মডেলটি প্রসারিত করার পরিকল্পনা করেছে।

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• প্লেটোএআইস্ট্রিম। Web3 ডেটা ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• অ্যাড্রিয়েন অ্যাশলির সাথে ভবিষ্যত মিন্টিং। এখানে প্রবেশ করুন.
• উত্স: https://physicsworld.com/a/machine-learning-framework-classifies-pneumonia-on-chest-x-rays/