ПРИМЕНЕНИЕ АНСАМБЛЕЙ НЕЙРОННЫХ СЕТЕЙ ТИПА LENET-5 ДЛЯ ДИАГНОСТИРОВАНИЯ ПНЕВМОНИИ НА РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЯХ ЛЕГКИХ

Д. Н. Тумаков, А. Р. Бердигулов, Д. И. Хайруллина, И. И. Бариев

Об авторах

Д. Н. Тумаков, А. Р. Бердигулов, Д. И. Хайруллина, И. И. Бариев

Бердигулов А. Р. – магистрант института вычислительной математики и информационных технологий, ФГБОУ ВО К(П)ФУ, кафедра прикладной математики и искусственного интеллекта, 420008, Казань, ул. Кремлевская, 18. Область научных интересов: нейронные сети, машинное зрение, искусственный интеллект в медицине.

Хайруллина Д. И. – магистрант института вычислительной математики и информационных технологий, ФГБОУ ВО К(П)ФУ, кафедра прикладной математики и искусственного интеллекта, 420008, Казань, ул. Кремлевская, 18. Область научных интересов: нейронные сети, машинное зрение, кластеризация.

Бариев И. И. – директор, АНО ВО «Университет Иннополис», 420500, Иннополис, ул. Университетская, 1. Область научных интересов: нейронные сети, искусственный интеллект в медицине.

Скачать PDF

УДК: 004.032.26, 004.932.2
DOI: 10.24412/2413-7383- 2025-3-38-34-50
Язык: Русский

Аннотация: Рассмотрены ансамбли неглубоких нейронных сетей типа для определения пневмонии по рентгеновским изображениям. Результирующий ответ ансамблей построен по принципу, если хотя бы одна из его нейросетей определила пневмонию, то ансамбль тоже даёт ответ «пневмония». Такой подход по агрегации результатов отдельных нейросетей позволил макси-мально увеличить полноту (recall) класса «пневмония». Чтобы минимизировать ухудшение точности (precision), которое неизбежно при таком подходе агрегирования, нейросети из ансамбля рассмотрены одного типа – LeNet-5. Предложено шесть архитектур нейросетей, которые получают на вход изображения размером 256 на 256 пикселей и имеют различные размеры сверточных матриц. Также архитектуры рассмотренных сетей имеют разную глубину. На тестовой выборке для оптимальных ансамблей полнота составила 0.991, а точность изменяется в интервале от 0.934 до 0.936.

Ключевые слова: ансамбли нейронных сетей, LeNet-5, полнота, точность, пневмония.

Список литературы

1. Balasubramaniam S. A modified LeNet CNN for breast cancer diagnosis in ultrasound images / S. Balasubramaniam, Y. Velmurugan, D. Jaganathan, S. Dhanasekaran. Diagnostics. 2023. Vol. 13, No. 17. P. 2746. DOI: 10.3390/diagnostics13172746.
2. Devesh R. Comparative analysis of machine learning algorithms in pneumonia detection / R. Devesh, V. Harsh, A. Mohd, S. Sonal. Innovative Computing & Communication (ICICC 2024): Proceedings of the International Conference. 2024. DOI: 10.2139/ssrn.4776487.
3. Demetgul M. Intelligent monitoring of linear stages with ensembles of improved LeNet DCNN and random forest classifiers / M. Demetgul, Y. Zhao, I.N. Tansel, J. Fleischer. Measurement and Control. 2025. [In press]. DOI: 10.1177/00202940251317395.
4. Hansen L. K. Neural network ensembles / L. K. Hansen, P. Salamon. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. Vol. 12, No. 10. P. 993–1001. DOI: 10.1109/34.58871.
5. Kayumov Z. Convolution neural network learning features for handwritten digit recognition / Z. Kayumov, D. Tumakov. East-West Design and Test Symposium (EWDTS 2020): Proceedings of the 2020 IEEE. 2020. P. 330–334. DOI: 10.1109/EWDTS50664.2020.9224822.
6. Kayumov Z. Hierarchical convolutional neural network for handwritten digits recognition / Z. Kayumov, D. Tumakov, S. Mosin. Procedia Computer Science. 2020. Vol. 171. P. 1927–1934. DOI: 10.1016/j.procs.2020.04.206.
7. Tiar M. L. Pneumonia Classification using deep learning: a comparative study / M. L. Tiar, N. Terki, J.J. Dominguez-Jimenez. Image and Signal Processing and their Applications (ISPA): Proceedings of the 8th International Conference. 2024. P. 1–6. DOI: 10.1109/ISPA59904.2024.10536711.
8. Tuliabaeva D. On the recognition of weakly blurred, highly contrasting objects by neural networks / D. Tuliabaeva, D. Tumakov, A. Egorchev. AIP Conference Proceedings. 2024. Vol. 3243. Art. No. 020087. DOI: 10.1063/5.0247350.
9. Verdhan V. Image classification using LeNet / V. Verdhan. Computer Vision Using Deep Learning: Neural Network Architectures with Python and Keras. Apress, 2021. 308 p.
10. Yang Y. Pneumonia Recognition by Deep Learning: A Comparative Investigation / Y. Yang, G. Mei. Applied Sciences. 2022. Vol. 12, No. 9. P. 4334. DOI: 10.3390/app12094334.
11. Schapire R. E. The strength of weak learnability / R.E. Schapire. Machine Learning. 1990. Vol. 5, No. 2. P. 197–227. DOI: 10.1007/BF00116037.
12. Breiman L. Random forests / L. Breiman. Machine Learning. 2001. Vol. 45. P. 5–32. DOI: 10.1023/A:1010933404324.
13. Freund Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R.E. Schapire. Journal of Computer and System Sciences. 1997. Vol. 55, No. 1. P. 119–139. DOI: 10.1006/jcss.1997.1504.
14. Dehaerne E. Optimizing YOLOv7 for semiconductor defect detection / E. Dehaerne, B. Dey, S. Halder, S. De Gendt. Proceedings of SPIE. 2023. Vol. 12496. P. 635–642. DOI: 10.48550/arXiv.2302.09565.
15. Chung A. Cloud computed machine learning based real-time litter detection using micro-UAV surveillance / A. Chung, D.Y. Kim, E. Kwok, M. Ryan, E. Tan, R. Gamadia. MIT Undergraduate Research Technology Conference (URTC): Proceedings of the IEEE. 2018. P. 1–4. DOI: 10.1109/URTC45901.2018.9244800. Применение ансамблей нейронных сетей типа LeNet-5… 1Т
16. Чернухин А.В. Построение модели предиктивной аналитики неисправностей промышленного оборудования / А.В. Чернухин, Е.А. Богданова, Т.В. Савицкая. Программные продукты и системы. 2024. Т. 37, № 2. С. 254–261. DOI: 10.15827/0236-235X.142.254-261.
17. Sasaki K. Lightweight and accurate YOLOv7-based ensembles with knowledge distillation for urinary sediment detection / K. Sasaki, H. Nishikawa, I. Taniguchi, T. Onoye. IEEE Access. 2025. Vol. 13. P. 93468–93480. DOI: 10.1109/ACCESS.2025.3574169.
18. Viola P. Robust real-time face detection / P. Viola, M.J. Jones. International Journal of Computer Vision. 2004. Vol. 57, No. 2. P. 137–154. DOI: 10.1023/B:VISI.0000013087.49260.fb.
19. Бессарабов Н.А. Автоматизированная разметка изображений с беспилотного летательного аппарата при помощи предобученных моделей искусственного интеллекта / Н.А. Бессарабов, А.А. Сапожников, Д.В. Татарников, Р.Р. Тюгунов, А.М. Цыганов. Программные продукты и системы. 2025. Т. 38, № 2. С. 251-260. DOI: 10.15827/0236-235X.150.251-260.
20. Nanni L. Ensemble of convolutional neural networks for bioimage classification / L. Nanni, S. Ghidoni, S. Brahnam. Applied Computing and Informatics. 2021. Vol. 17, No. 1. P. 19–35. DOI: 10.1016/j.aci.2018.06.002.
21. Balaji S. A context for effective prediction and classification of diabetic retinopathy disease using deep ensemble AlexNet & LeNet classifier / S. Balaji, B. Karthik. Computing for Sustainable Global Development (INDIACom): Proceedings of the 11th International Conference. 2024. P. 414-421. DOI: 10.23919/INDIACom61295.2024.10498405.
22. Rajeashwari S. Enhancing pneumonia diagnosis with ensemble-modified classifier and transfer learning in deep-CNN based classification of chest radiographs / S. Rajeashwari, K. Arunesh. Biomedical Signal Processing and Control. 2024. Vol. 93. Art. ID 106130. DOI: 10.1016/j.bspc.2024.106130.
23. Zhou T. The ensemble deep learning model for novel COVID-19 on CT images / T. Zhou, H. Lu, Z. Yang, S. Qiu, B. Huo, Y. Dong. Applied Soft Computing. 2021. Vol. 98. Art. ID 106885. DOI: 10.1016/j.asoc.2020.106885.
24. Osagie E. Ensemble learning for medical image character recognition based on enhanced LeNet-5 / E. Osagie, W. Ji, N. Helian. Computational Intelligence in Bioinformatics and Computational Biology (CIBCB): Proceedings of the 2023 IEEE Conference. 2023. P. 1–8. DOI: 10.1109/CIBCB56990.2023.10264911.
25. Jaganathan D. Concatenated modified LeNet approach for classifying pneumonia images / D. Jaganathan, S. Balsubramaniam, V. Sureshkumar, S. Dhanasekaran. Journal of Personalized Medicine. 2024. Vol. 14, No. 3. – Art. ID 328. – DOI: 10.3390/jpm14030328.
26. Meir Y. Efficient shallow learning as an alternative to deep learning / Y. Meir, O. Tevet, Y. Tzach, S. Hodassman, R.D. Gross, I. Kanter // Scientific Reports. – 2023. – Vol. 13. – Art. ID 5423. – DOI: 10.1038/s41598-023-32559-8.
27. Пикалёв Я.С. О нейронных архитектурах извлечения признаков для задачи распознавания объектов на устройствах с ограниченной вычислительной мощностью / Я.С. Пикалёв, Т.В. Ермоленко // Проблемы искусственного интеллекта. – 2023. – № 3(30). – С. 44-54.
28. Sharma S. A systematic literature review on deep learning approaches for pneumonia detection using chest X-ray images / S. Sharma, K. Guleria // Multimedia Tools and Applications. – 2024. – Vol. 83. – P. 24101–24151. – DOI: 10.1007/s11042-023-16419-1.
29. Singh S. Pneumonia classification using quaternion deep learning / S. Singh, B.K. Tripathi // Multimedia Tools and Applications. – 2022. – Vol. 81. – P. 1743–1764. – DOI: 10.1007/s11042-021-11409-7.
30. Hasan M.D.K. Deep learning approaches for detecting pneumonia in COVID-19 patients by analyzing chest X-Ray images / M.D.K. Hasan [и др.] // Mathematical Problems in Engineering. – 2021. – Art. ID 9929274. – 8 p. – DOI: 10.1155/2021/9929274.
31. Ibrahim A.U. Pneumonia classification using deep learning from chest X-ray images during COVID-19

Выпуск: 3(38)'2025
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Д. Н. Тумаков, А. Р. Бердигулов, Д. И. Хайруллина, И. И. Бариев. ПРИМЕНЕНИЕ АНСАМБЛЕЙ НЕЙРОННЫХ СЕТЕЙ ТИПА LENET-5 ДЛЯ ДИАГНОСТИРОВАНИЯ ПНЕВМОНИИ НА РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЯХ ЛЕГКИХ // Проблемы искусственного интеллекта. - 2025. - № 3 (38). - С. 34-50. - https://paijournal.guiaidn.ru/ru/2025/3(38)-4.html

Назад к выпуску 3(38)'2025