Yaroshchak, S. V. та Smaida, Mahmoud та Ярощак, С. В. та Смайда, Махмуд (2020) СТВОРЕННЯ РЕАЛІСТИЧНИХ МЕДИЧНИХ ЗОБРАЖЕНЬ ЗА ДОПОМОГОЮ DCGAN ДЛЯ ПОКРАЩЕННЯ КЛАСИФІКАЦІЇ COVID-19. Вісник Національного університету водного господарства та природокористування (4(92)). с. 146-164.

Text Vt9213 (1).pdf Download(1MB)

Анотація

При класифікації зображень найважливішими факторами є обсяг даних, особливо у випадку медичних зображень. Однак отримання медичних зображень є великою проблемою. У цій роботі ми створили глибоку згорткову генеративно змагальну мережу (DCGAN), яка генерує синтетичні медичні зображення. Крім того, для ідентифікації коронавірусу будемо використовувати нашу модель, яку розробили для класифікації захворювань очей. Щоб виміряти точність моделі, протестуємо її на згенерованих синтетичних медичних зображеннях та без них. В якості набору даних будуть використані рентгенівські знімки органів грудної клітини трьох типів: Covid-19, пневмонія та нормальний стан. Кількість знімків кожного типу, відповідно, рівна 155, 104 та 168. На основі цих знімків та з використанням DCGAN було згенеровано синтетичні зображення та класифіковано їх GMD методом. Після чого навчено нашу модель на всьому наборі даних, реальних зображеннях разом з синтетичними, та порівняно результати. Точність моделі значно покращилася з 86,32% на навчальному наборі та 85,50% на наборі перевірки, до 95,45% на навчальному наборі та 86,42% на наборі перевірки. В зв'язку з цим, підхід з розширенням вхідних даних синтетичними зображеннями доцільно застосовувати і з іншими моделями класифікації зображень, такими як Vgg16, Inception v3, ResNet для підвищення їх точності. Варто відзначити, що кількість епох є дуже важливою при створення високоякісних зображень.

Title in English

GENERATING REALISTIC MEDICAL IMAGES USING DCGAN FOR ENHANCING COVID-19 CLASSIFICATION

English abstract

In image classification, the most important factors are the amount of data, especially in medical images. However, obtaining medical images becomes big challenge. In this paper, we present Deep Convolutional Generative Adversarial Network (DCGAN) method that generate synthetic medical images. In addition, we will use our model that we used to classify eye diseases to identify Coronavirus. The model will be tested with and without synthetic medical images in order to measure the model accuracy. Three types of chest diseases (X-Ray images), Covid-19, Pneumonia and Normal will be used as a dataset. Our method is demonstrated on a limited dataset of chest disease (155 Covid-19, 104 Pneumonia and 168 Normal). Firstly, we exploit DCGAN to generate synthetic medical images, then we utilize GMD method for chest diseases classification in order to classify Coronavirus, finally, training our method using all images, original data and synthetic medical images, then compare performance. The accuracy of the model had improved significantly from 86.32% in training set and 85.50% in validation set, to 95.45% in training set and 86.42% in validation set. We suggest that this work can be applied to other image classification models such as Vgg16, Inception v3, ResNet to enhance the accuracy. Number of epochs is very important to generate high quality images.

Перегляд елементу

Завантажень