procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.35266/1999-7604-2023-3-43-51procyber-543Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringНЕЙРОСЕТЕВОЙ АНАЛИЗ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ ЛЕЙКОЦИТОВ ДЛЯ ОБНАРУЖЕНИЯ ЗАБОЛЕВАНИЙ КРОВИAN ANALYSIS OF DIGITAL IMAGES USING NEURAL NETWORKS TO DETECT HEMATOLOGIC DISEASEShttps://orcid.org/0009-0007-6899-3108ПанинМаксим АлексеевичPaninMaksim A.

магистрант

Master’s Degree Student

panin@edu.surgu.ruhttps://orcid.org/0009-0005-7118-9001МамедовЭлишан ШахиновичMamedovElishan Sh.

магистрант

Master’s Degree Student

https://orcid.org/0000-0003-1851-1039ТаракановДмитрий ВикторовичTarakanovDmitry V.

кандидат технических наук, доцент

Candidate of Sciences (Engineering), Docent

Сургутский государственный университет, СургутРоссияSurgut State University, SurgutRussian Federation2023161120232234351Copyright © Панин М.А., Мамедов Э.Ш., Тараканов Д.В., 20232023Панин М.А., Мамедов Э.Ш., Тараканов Д.В.Panin M.A., Mamedov E.S., Tarakanov D.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/543

В статье рассматривается применение метода трансферного обучения ансамбля искусственных сверточных нейронных сетей с предварительной сегментацией клеток крови на цифровых изображениях для последующей классификации их типов. Полученные результаты нейросетевой классификации свидетельствуют об эффективности использования рассматриваемых технологий для повышения точности искусственных нейронных сетей при решении задач сегментации медицинских изображений лейкоцитов с целью диагностики заболеваний крови.

The article discusses the application of the transfer learning method for the ensemble of artificial convolutional neural networks with preliminary digital image segmentation for blood cells in order to classify them later. The results obtained during neural networks classification demonstrate the efficiency of such technologies used for improving the accuracy of artificial neural networks when solving the problems of medical images segmentation for leukocytes in order to diagnose hematologic diseases.

сверточные нейронные сетиклассификациядиагностикараспознавание медицинских изображенийглубокое обучениеconvolutional neural networksclassificationdiagnosingreading of medical imagesdeep learningReferencesБурхонов Р. А., Клименко С. В. Применение методов глубокого обучения в задаче распознавания медицинских изображений : труды междунар. науч. конф. CPT1617, 08–15 мая 2016 г.; 07–14 мая 2017 г., г. Ларнака, Республика Кипр; 28–29 июня 2016 г., г. ЦарьГрад, Россия. М. ; Протвино : ИФТИ, 2017. С. 163–165.Burkhonov R. A., Klimenko S. V. Using methods of deep learning for medical image analysis. In: Proceedings of the International Conference CPT1617, May 08‒15, 2016; May 07‒14, 2017, Larnaca, Cyprus; June 28‒29, 2016, TzarGrad, Russia. Moscow; Protvino: ICPT; 2017. p. 163–165. (In Russian).Пеников А. А., Белов Ю. С. Обзор архитектур сверточных нейронных сетей для решения задачи семантической сегментации медицинских изображений // Фундаментальные и прикладные исследования. Актуальные проблемы и достижения : сб. избранных статей Всерос. национал. науч. конф., 11 января 2022 г., г. Санкт-Петербург. СПб. : ГНИИ «НАЦРАЗВИТИЕ», 2022. С. 18–21.Penikov A. A., Belov Yu. S. Overview of convolutional neural network architectures for solving the problem of semantic segmentation of medical images. In: Proceedings of the All-Russian National Scientific Conference “Fundamentalnye i prikladnye issledovaniia”, January 11, 2022, Saint Petersburg. St. Petersburg: Humanitarian National Research Institute NATsRAZVITIE; 2022. p. 18–21. (In Russian).Gu Z., Cheng J., Fu H. et al. CE-Net: Context encoder network for 2D medical image segmentation. IEEE Transactions on Medical Imaging. 2019;38(10):2281–2292.Gu Z., Cheng J., Fu H. et al. CE-Net: Context encoder network for 2D medical image segmentation. IEEE Transactions on Medical Imaging. 2019;38(10):2281–2292.Погружение в сверточные нейронные сети: передача обучения (transfer learning). URL: https://habr. com/ru/post/467967/ (дата обращения: 14.09.2023).Pogruzhenie v svertochnye neironnye seti: peredacha obucheniia (transfer learning). URL: https://habr.com/ ru/post/467967/ (accessed: 14.09.2023). (In Russian).Keras Applications. URL: https://keras.io/api/applications/ (дата обращения: 14.09.2023).Keras Applications. URL: https://keras.io/api/applications/ (accessed: 14.09.2023).Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv. 2015. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения: 14.09.2023).Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv. 2015. URL: https://arxiv.org/pdf/1409.1556.pdf (accessed: 14.09.2023).Куркова А. А., Григорьева А. И. Дифференциальная диагностика острого лимфобластного и острого миелобластного лейкозов // Смоленский медицинский альманах. 2018. № 1. С. 191–196.Kurkova A. A., Grigoryeva A. I. Differential diagnostics of acute lymphoblastic and myeloblastic leukimia. Smolensk Medical Almanac. 2018;(1):191–196. (In Russian).C_NMC_2019 dataset: ALL challenge dataset of ISBI 2019 (C-NMC 2019). URL: https://wiki.cancer-imagingarchive.net/pages/viewpage.action?pageId= 52758223#52758223a9c2c0a8b429412880eaa123286ca6f7 (дата обращения: 14.09.2023).C_NMC_2019 dataset: ALL challenge dataset of ISBI 2019 (C-NMC 2019). URL: https://wiki.cancer-imagingarchive.net/pages/viewpage.action?pageId= 52758223#52758223a9c2c0a8b429412880eaa123286ca6f7 (accessed: 14.09.2023).A single-cell morphological dataset of leukocytes from AML patients and non-malignant controls (AML-Cytomorphology_LMU). URL: https://wiki. cancerimagingarchive.net/pages/viewpage.action?pa geId=61080958#610809587633e163895b484eafe5794e2017c585 (дата обращения: 14.09.2023).A single-cell morphological dataset of leukocytes from AML patients and non-malignant controls (AML-Cytomorphology_LMU). URL: https://wiki. cancerimagingarchive.net/pages/viewpage.action?pa geId=61080958#610809587633e163895b484eafe5794e2017c585 (accessed: 14.09.2023).

The authors declare that there are no conflicts of interest present.