Модели и методы глубокого обучения в задачах распознавания и классификации медицинских изображений
И. А. Пшенокова, М. Р. Киясов
Загрузить полный текст
Аннотация: .В работе проведены исследование и анализ моделей и методов глубокого обучения в задачах распознавания и классификации изображений опухолей мозга. Для сравнения эффективности наиболее актуальных и доступных моделей на основе сверточных нейронных сетей были выбраны модели VGG19, Xception и ResNet152. Наилучшие результаты показала модель Xception. Целью данной работы являются оптимизация и обучение выбранной модели с помощью различных методов для повышения точности диагностики опухолей головного мозга человека. Предложена и реализована стратегия для улучшения этой модели с использованием методов переноса обучения и аугментации данных. Из проведенных тестов следует, что улучшенная модель демонстрирует более высокую точность и устойчивость к различным видам искажений данных, что делает ее более эффективной для задач распознавания и классификации изображений
Ключевые слова: методы распознавания изображений, методы глубокого обучения, сверточные нейронные сети, методы переноса обучения
Для цитирования. Пшенокова И. А., Киясов М. Р. Модели и методы глубокого обучения в задачах распознавания и классификации медицинских изображений // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 2. С. 103–112. DOI: 10.35330/1991-6639-2025-27-2-103-112
Список литературы
- Bishop C.M. Pattern recognition and machine learning (Information Science and Statistics). Springer. New York. 2007. ISBN: 0-387-31073-8
- Li Z. et al. A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems. 2021. Vol. 33. No. 12. Pp. 6999–7019. DOI: 10.1109/TNNLS.2021.3084827
- Byra M. et al. Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversion. Medical physics. 2019. Vol. 46. No. 2. Pp. 746–755. DOI: 10.1002/mp.13361
- Horiuchi Y. et al. Convolutional neural network for differentiating gastric cancer from gastritis using magnified endoscopy with narrow band imaging. Digestive diseases and sciences. 2020. Vol. 65. Pp. 1355–1363. DOI: 10.1007/s10620-019-05862-6
- Wang J. et al. Integral real-time locomotion mode recognition based on GA-CNN for lower limb exoskeleton. Journal of Bionic Engineering. 2022. Vol. 19. No. 5. Pp. 1359–1373. DOI: 10.1007/s42235-022-00230-z
- Bhandari D., Paul S., Narayan A. Deep neural networks for multimodal data fusion and affect recognition. International Journal of Artificial Intelligence and Soft Computing. 2020. Vol. 7. No. 2. Pp. 130–145. DOI: 10.1504/IJAISC.2020.113475
- Srivastava A., Singh A., Tiwari A. K. An efficient hybrid approach for the prediction of epilepsy using CNN with LSTM. International Journal of Artificial Intelligence and Soft Computing. 2022. Vol. 7. No. 3. Pp. 179–193. DOI: 10.1504/IJAISC.2022.126336
- Khan H.A. et al. Brain tumor classification in MRI image using convolutional neural network. Mathematical Biosciences and Engineering. 2021. Vol. 17. No. 5. Pp. 6203–6216. DOI: 10.3934/mbe.2020328
- Houssein E.H. et al. Hybrid quantum-classical convolutional neural network model for COVID-19 prediction using chest X-ray images. Journal of Computational Design and Engineering. 2022. Vol. 9. No. 2. Pp. 343–363. DOI: 10.1093/jcde/qwac003
- Раскопина А. С., Боженко В. В., Татарникова Т. М. Использование глубокого обучения при диагностировании пневмонии по рентгеновским снимкам. Известия высших учебных заведений. Приборостроение. 2024. Т. 67. № 4. С. 315–320. DOI: 10.17586/0021-3454-2024-67-4-315-320
- Raskopina A.S., Bozhenko V.V., Tatarnikova T.M. Using deep learning in diagnosing pneumonia from X-ray images. Izvestiya vysshikh uchebnykh zavedeniy. Priborostroyeniye [News of higher educational institutions. Instrument engineering]. 2024. Vol. 67. No. 4. Pp. 315–320. DOI: 10.17586/0021-3454-2024-67-4-315-320. (In Russian)
- Wan C. et al. Research on classification algorithm of cerebral small vessel disease based on convolutional neural network. Journal of Intelligent & Fuzzy Systems. 2023. Vol. 44. No. 2. Pp. 3107–3114.
- Ashtari-Majlan M., Seifi A., Dehshibi M.M. A multi-stream convolutional neural network for classification of progressive MCI in Alzheimer’s disease using structural MRI images. IEEE Journal of Biomedical and Health Informatics. 2022. Vol. 26. No. 8. Pp. 3918–3926. DOI: 10.1109/JBHI.2022.3155705
- Ekong F. et al. Bayesian depth-wise convolutional neural network design for brain tumor MRI classification. Diagnostics. 2022. Vol. 12. No. 7. P. 1657. DOI: 10.3390/diagnostics12071657
- Apostolopoulos I.D., Aznaouridis S., Tzani M. An attention-based deep convolutional neural network for brain tumor and disorder classification and grading in magnetic resonance imaging. Information. 2023. Vol. 14. No. 3. P. 174. DOI: 10.3390/info14030174
- Shi Y. et al. Residual convolutional neural network-based stroke classification with electrical impedance tomography. IEEE Transactions on Instrumentation and Measurement. 2022. Vol. 71. Pp. 1–11. DOI: 10.1109/TIM.2022.3165786
- Щетинин Е. Ю., Севастьянов Л. А. О методах переноса глубокого обучения в задачах классификации биомедицинских изображений // Информатика и ее применения. 2021. Т. 15. № 4. С. 59–64. DOI: 10.14357/19922264210408. EDN: YQXVAA
- Shchetinin E.Yu., Sevastyanov L.A. On deep learning transfer methods in biomedical image classification problems. Informatika i yeyo primeneniya [Computer Science and Its Applications]. 2021. Vol. 15. No. 4. Pp. 59–64. DOI: 10.14357/19922264210408. EDN: YQXVAA (In Russian)
- Щукина Н. А. Нейросетевые модели в задаче классификации медицинских изображений // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 4(35). DOI: 10.26102/2310-6018/2021.35.4.022. EDN: MXPABV
- Shchukina N.A. Neural network models in the problem of classification of medical images. Modelirovaniye, optimizatsiya i informatsionnyye tekhnologii [Modeling, Optimization and Information Technology]. 2021. Vol. 9. No. 4(35). DOI: 10.26102/2310-6018/2021.35.4.022. EDN: MXPABV. (In Russian)
- Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. 2014. DOI: 10.48550/arXiv.1409.1556
- Khan A. et al. A survey of the recent architectures of deep convolutional neural networks. Artificial intelligence review. 2020. Vol. 53. Pp. 5455–5516.
- Набор данных МРТ опухоли головного мозга [Электронный ресурс]. URL: https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset
- Nabor dannykh MRT opukholi golovnogo mozga [Brain tumor MRI dataset]. [Electronic resource]. URL: https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset. (accessed 10.03.2025)
Информация об авторах
Пшенокова Инна Ауесовна, канд. физ.-мат. наук, зав. лаб. «Интеллектуальные среды обитания», Институт информатики и проблем регионального управления – филиал Кабардино-Балкарского научного центра РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
доцент кафедры «Компьютерные технологии и информационная безопасность», Кабардино-Балкарский государственный университет имени Х. М. Бербекова;
360004, Россия, г. Нальчик, ул. Чернышевского, 173;
pshenokova_inna@mail.ru, ORCID: https://orcid.org/0000-0003-3394-7682, SPIN-код: 3535-2963
Киясов Мурат Русланович, студент 4-го курса направления «Информатика и вычислительная техника», Кабардино-Балкарский государственный университет имени Х. М. Бербекова;
360004, Россия, г. Нальчик, ул. Чернышевского, 173; myrat7450@mail.ru