ОГЛЯД ТА АНАЛІЗ ОСНОВНИХ КАРКАСНИХ МЕРЕЖ ВИЯВЛЕННЯ ОЗНАК ДЛЯ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ МРТ В МОДЕЛЯХ ГЛИБИННОГО НАВЧАННЯ

Анотація

У цій статті представлено оцінку сучасних моделей глибокого навчання для класифікації зображень МРТ колінного суглоба. Серед усіх робіт, пов’язаних з цим дослідженням, було кілька спроб перенавчити оригінальну модель MRNet на більш сучасні архітектури комп’ютерного зору. Крім того, ще не повідомлялося про спроби задокументувати поступове покращення точності прогнозування MRNet за допомогою нових архітектур комп’ютерного бачення. У даній роботі представлено порівняльний аналіз сучасних архітектур комп’ютерного бачення для вилучення ознак з МРТ-зображень колінного суглоба в задачах класифікації ушкоджень та аномалій колінного суглоба. Такий аналіз є необхідним як інструмент для створення прикладних архітектур моделей машинного навчання, спрямованих на автоматизовану діагностику травм коліна в медичних пристроях і системах.

Алгоритми глибинного навчання можуть бути застосовані безпосередньо до багатьох різноманітних завдань рентгенології опорно-рухового апарату, включаючи реконструкцію зображення, синтез зображення, сегментацію тканин, а також діагностику та виявлення характеристик захворювань опорно-рухового апарату на рентгенограмах, ультразвуку, зображеннях КТ та МРТ. Щоб сформулювати такий порівняльний аналіз, у цій статті порівнюється продуктивність базової архітектури MRNet для завдання класифікації зображень МРТ колінного суглоба, використовуючи різні найсучасніші архітектури комп’ютерного бачення як каркасні мережі для виділення ознак. Це також демонструє поступове підвищення точності прогнозування цих моделей відповідно до еволюції самих каркасних моделей. Досить важливим аспектом представленого дослідження є той факт, що всі моделі машинного навчання, розроблені та навчені в розглянутому експерименті, мають уніфіковану архітектуру, за винятком шару виділення ознак, і всі вони були навчені з нуля з використанням однакових гіпер-параметрів моделі та параметрів навчання. Також, для порівняння результатів класифікації було використано додаткову метрику — показник Каппа Коена, який є значущим через незбалансованість використаного набору даних