УДК 004.588:004.032.26
DOI: 10.36871/26189976.2026.03-3.012

Авторы

Вячеслав Максимович Слудников,
Казанский государственный энергетический университет, Казань, Россия
Галина Анатольевна Овсеенко,
Казанский государственный энергетический университет, Казань, Россия
Данила Петрович Никоноров,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

В статье представлена разработка интеллектуальной системы анализа рентгеновских снимков, основанной на каскадном конвейере из трёх свёрточных нейронных сетей. На первом этапе модель ResNet50 классифицирует тип снимка (грудная клетка или костная система) с точностью 99,97% и AUC-ROC 0,9999. На втором этапе DenseNet121 выполняет мультиклассовую классификацию 14 патологий органов грудной клетки со средним AUC-ROC 0,9163 на независимом кросс-институциональном тестовом наборе. На третьем этапе многозадачная модель DenseNet169 определяет часть тела (7 классов, точность 97%) и наличие патологии (AUC 0,8924) в мускулоскелетных снимках. Для интерпретируемости результатов интегрирована технология Grad-CAM, генерирующая тепловые карты зон интереса. Система реализована на микросервисной архитектуре (Go, Python, React, PostgreSQL) с контейнеризацией Docker и обеспечивает время обработки снимка 2–5 секунд.

Ключевые слова

рентгенодиагностика
свёрточные нейронные сети
DenseNet
ResNet
глубокое обучение
классификация патологий
Grad-CAM
мультиклассовая классификация
трансферное обучение
микросервисная архитектура

Список литературы

[1] Курбанов Б., Катасев А. С. Интеллектуальная система распознавания на основе свёрточной нейронной сети // Моделирование энергоинформационных процессов: сборник статей XII национальная научно-практическая конференция с международным участием. Воронеж, 2024. С. 175–180.

[2] Никоноров Д. П., Пырнова О. А. Применение технологий искусственного интеллекта для распознавания физического состояния человека // Цифровые системы и модели: теория и практика проектирования, разработки и применения: материалы национальной (с международным участием) научно-практической конференции. Казань, 2024. С. 1000–1003. EDN RIDHUS.

[3] Смирнов Ю. Н., Абдуллин А. И., Каляшина А. В. Нейронные сети для анализа биомедицинских изображений // Научно-технический вестник Поволжья. 2023. № 6. С. 106–109. EDN JAZFDJ.

[4] Хайруллин А. М., Зарипова Р. С. Применение моделей искусственного интеллекта в медицине // Информационные технологии в строительных, социальных и экономических системах. 2020. № 3 (21). С. 40–42. EDN RKUMAF.

[5] Хайруллин А. М., Зарипова Р. С. Цифровое будущее медицины // Вектор развития управленческих подходов в цифровой экономике. Материалы III Всероссийской научно-практической конференции. Казань, 2021. С. 295–297. [

6] Deng J., Dong W., Socher R. et al. ImageNet: A Large-Scale Hierarchical Image Database // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2009. P. 248–255.

[7] He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770–778.

[8] Huang G., Liu Z., Van der Maaten L., Weinberger K. Q. Densely Connected Convolutional Networks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 2261–2269.

[9] Irvin J., Rajpurkar P., Drechsler M. et al. CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison // Proceedings of the AAAI Conference on Artificial Intelligence. 2019. Vol. 33. No. 1. P. 590–597.

[10] Lin T.-Y., Goyal P., Girshick R., He K., Dollár P. Focal Loss for Dense Object Detection // Proceedings of the IEEE International Conference on Computer Vision (ICCV). 2017. P. 2999– 3007.

[11] Rajpurkar P., Irvin J., Bagul A. et al. MURA: Large Dataset for Abnormality Detection in Musculoskeletal Radiographs // arXiv preprint arXiv:1712.06957. 2017.

[12] Rajpurkar P., Irvin J., Zhu K. et al. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-rays with Deep Learning // arXiv preprint arXiv:1711.05225. 2017.

[13] Selvaraju R. R., Cogswell M., Das A., Vedantam R., Parikh D., Batra D. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization // Proceedings of the IEEE International Conference on Computer Vision (ICCV). 2017. P. 618–626.

[14] Waite S., Scott J., Gale B., Fuchs T., Kolla S., Reede D. Interpretive Error in Radiology // American Journal of Roentgenology. 2017. Vol. 208. No. 4. P. 739–749.

[15] Wang X., Peng Y., Lu L., Lu Z., Bagheri M., Summers R. M. ChestX-ray8: Hospital-Scale Chest X-Ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 2097–2106.