Разработка Web-приложения для распознавания пневмонии у пациента по рентгеновским снимкам

Целью выпускной квалификационной работы является создание web- приложения, в котором будут реализованы две модели CNN.

Проблема определения данной пневмонии рассматривалась ранее, существует несколько программ обучения нейронной сети в интернете, но все они имеют недочеты. Во-первых, максимальная точность обучения равняется 90,2%. По меркам машинного обучения это хорошее значение, но не является идеальным, так как вероятность допустить критическую ошибку существует и ее необходимо свести к минимуму. Необходимо добиться большей точности, а также создать еще одну дополнительную модель CNN, обученной по другой выборке с другими параметрами. Работа в совокупности двух моделей должна привести к правильному определению прогноза и исключить проблему не выявлений болезни. Во-вторых, нет приложений, распознающих пневмонию. Необходимо создать простой и понятный интерфейс для того, чтобы любой не разбирающийся в программировании пользователь мог загрузить снимки и получить результат. Наиболее подходящим для данной задачи является создание Web- приложения. В данной работе сайт будет работать на локальном сервере.

Для достижения цели были поставлены следующие задачи:

·                  Изучить работу нейронных сетей;

·                  Для   языка  программирования Python  изучить  следующие библиотеки: Tensorflow, Keras, Flask;

·                  Подготовить данные для обучения;

·                  Создать две модели нейронной сети, обучить их по разным наборам данных;

·                  Реализовать Web – приложение, подключить обученные модели;

·                  Протестировать программу на реальных изображениях.

Бакалаврская работа состоит  из  введения,  пяти  основных  глав, заключения, списка используемой литературы и приложения.

В первой главе рассматриваются нейронные сети, классификация и дискриминация, особенности сверточной нейронной сети.

Во второй главе подробно описан процесс подготовки данных для обучения моделей.

В третьей главе рассматриваются особенности обучения CNN, показана поэтапная реализация двух моделей, анализ их прогнозирования.

В четвертой главе представлена реализация Web – приложения.

В пятой главе показано как работает приложение, подробно описан процесс обучения, функционал сайта.

В заключении подводятся итоги проделанной работы.

ВВЕДЕНИЕ..................................................................................................... 3

Раздел 1. Нейронные сети............................................................................... 6

1.1. Архитектура и модель нейронных сетей.............................................. 7

1.2. Классификация и дискриминация......................................................... 8

1.3. Сверточная нейронная сеть................................................................. 10

Раздел 2. Подготовка данных....................................................................... 15

Раздел 3.Создание модели с помощью библиотеки Keras.......................... 18

3.1. Процесс обучения модели................................................................... 21

3.1.1. Модель с двумя классами........................................................... 21

3.1.2. Модель с тремя классами........................................................... 27

3.2. Анализ работы моделей...................................................................... 33

Раздел 4. Создание Web-приложения.......................................................... 36

4.1. Разработка frond-end части web-приложения.................................... 36

4.2. Разработка back-end части web-приложения...................................... 37

Раздел 5. Работа программы........................................................................ 42

5.1. Процесс обучения................................................................................ 42

5.2. Запуск web-приложения...................................................................... 43

ЗАКЛЮЧЕНИЕ............................................................................................. 48

СПИСОК ЛИТЕРАТУРЫ............................................................................. 53

ПРИЛОЖЕНИЕ............................................................................................. 55

1.               Нейронная сеть // Большая российская энциклопедия: [в 35 т.] / гл. ред. Ю. С. Осипов. — М.: Большая российская энциклопедия, 2004— 2017.

2.                  Мак-Каллок У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности Архивная копия от 27 ноября 2007 на Wayback Machine // Автоматы / Под ред. К. Э. Шеннона и Дж. Маккарти. — М.: Изд-во иностр. лит. 1956. — С. 363—384. (Перевод английской статьи 1943 г.)

3.               Хакимов Б. Б. Моделирование корреляционных зависимостей сплайнами на примерах в геологии и экологии. — М.: Изд-во Моск. ун-та; СПб.: Нева, 2003. — 144 с.

4.               Горбань А. Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей Архивная копия от 27 января 2012 на Wayback Machine // Сибирский журнал вычислительной математики, 1998, т. 1, № 1. — С. 12—24.

5.                  Миркес Е. М. Логически прозрачные нейронные сети и производство явных знаний из данных // Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с. — ISBN 5-02-031410-2.

6.               Барцев С. И., Охонин В. А. Адаптивные сети обработки информации. — Красноярск: Ин-т физики СО АН СССР, 1986. Препринт N 59Б. — 20 с.

7.                  Оптимайзеры - Русскоязычная документация Keras [Электронный ресурс]. —2015. — URL: https://ru-keras.com/optimizer (дата обращения 12.05.2021).

8.               Активационные функции - Русскоязычная документация Keras [Электронный ресурс]. —2015. — URL: https://ru-keras.com/activation-function (дата обращения 17.05.2021).

9.               Сверточные нейронные сети: архитектура, примеры, особенности [Электронный ресурс]. —2018. — URL: https://neurohive.io/ru/osnovy-data- science/glubokaya-svertochnaja-nejronnaja-set (дата обращения 11.04.2021).

10.          Flask (веб-фрейморк) [Электронный ресурс]. —2021. — URL: https://ru.wikipedia.org/wiki/Flask_(веб-фреймворк) (дата обращения 21.05.2021).

11.          Фреймворк Flask в Python [Электронный ресурс]. —2021. — URL: https://pythonim.ru/libraries/freymvork-flask-v-python (дата обращения 23.05.2021).

12.          HTML стили – CSS [Электронный ресурс]. —2018. — URL: https://html5css.ru/html/html_css.php (дата обращения 28.05.2021).

13.          Введение и создание веб приложения на Python [Электронный ресурс]. —2018. — URL: https://proglib.io/p/python-web-development/ (дата обращения 25.05.2021).

14.          Пневмония – причины, симптомы, диагностика лечения [Электронный ресурс]. —2020. — URL: https://krasotamedicina.ru/pneumonia/ (дата обращения 10.03.2021).