Обзор проекта: использование компьютерного зрения и НЛП для подписи к рентгеновским снимкам
Очистка данных, глубокое обучение и развертывание моделей для замены рентгенологов.
Автоматизация была основной движущей силой повышения эффективности, надежности и скорости во многих отраслях, от банковского дела до транспорта и сельского хозяйства. В этом проекте мы исследуем потенциал моделей глубокого обучения для автоматизации процесса составления отчетов о медицинских изображениях, в частности, рассматривая рентгеновские снимки органов грудной клетки.
Разработка модели глубокого обучения для создания/поддержки отчетов о результатах и впечатлениях от рентгеновских изображений была бы очень ценной разработкой, поскольку радиологам требуется значительное количество времени для выполнения этого процесса для большого количества пациентов. В зависимости от уровня точности, достигнутого моделью, она также может снизить вероятность человеческой ошибки, что особенно дорого обходится в области медицины.
В этой серии мы углубимся в набор данных Рентген грудной клетки Университета Индианы, размещенный на Kaggle. Наш процесс разбит на следующие темы:
- Часть 1: Очистка и предварительная обработка рентгеновских данных
- Часть 2: Изучение и разработка новых характеристик рентгеновских данных
- Часть 3: Создание модели генерации титров с использованием CNN и RNN
- Часть 4: Развертывание модели для рентгенодиагностики в производстве
- Часть 5: Интерпретация предсказанных компьютером рентгеновских титров и заключительные замечания
Цель этого проекта — измерить сходство предсказанных компьютером субтитров с реальными субтитрами, предоставленными врачами.
Код размещен и доступен для использования в этом репозитории GitHub.
