РОЗРОБКА СИСТЕМИ РОЗПІЗНАВАННЯ РЕНТГЕНІВСЬКИХ ЗНІМКІВ НА ОСНОВІ DEEP LEARNING

Анотація

Розвиток методів глибокого навчання відкриває нові можливості для автоматичної обробки та класифікації медичних знімків, що сприяє підвищенню ефективності діагностики та зменшенню навантаження на лікарів. У цій роботі розглядається застосування згорткових нейронних мереж (CNN) для автоматичного розпізнавання та класифікації медичних рентгенівських знімків із використанням набору даних, отриманого з відкритого ресурсу Kaggle. Запропонований підхід передбачає поетапну обробку даних, починаючи від їхньої предобробки та нормалізації, закінчуючи навчанням моделі та її оцінюванням на валідаційній вибірці. 

Для побудови моделі було використано архітектуру глибокої згорткової нейронної мережі, яка включає кілька згорткових шарів із функцією активації ReLU, шари нормалізації та пулінгу для зменшення розмірності вхідних даних, а також повнозв’язний шар для класифікації. Навчання моделі здійснювалося за допомогою оптимізатора Adam, який забезпечує швидку та стабільну мінімізацію функції втрат категоричної крос-ентропії. Для боротьби з перенавчанням були застосовані методи регуляризації, зокрема виключення нейронів (Dropout) і рання зупинка (Early Stopping), що дозволило підвищити узагальнюючу здатність моделі. 

Оцінка ефективності моделі здійснювалася на основі таких метрик, як точність (accuracy), повнота (recall), F1-міра та функція втрат (loss) на тестовій вибірці. Експериментальні результати продемонстрували, що модель досягла високих показників класифікації: точність 92.3%, повнота 91.1%, F1-міра 91.7% та значення функції втрат 0.25. Отримані результати свідчать про ефективність запропонованого підходу та його конкурентоспроможність із сучасними методами автоматичної діагностики медичних зображень. 

Запропонований метод може бути застосований у клінічній практиці для автоматизованої допомоги лікарям у діагностиці захворювань, що зменшує ймовірність суб’єктивних помилок та підвищує швидкість аналізу рентгенівських знімків. Використання хмарних технологій, таких як Google Cloud AI Platform, дозволяє розгорнути модель у вигляді веб-сервісу для віддаленого доступу та спрощує інтеграцію з медичними інформаційними системами. У перспективі планується подальше вдосконалення моделі шляхом використання трансформерних архітектур та розширення датасету для покращення генералізації результатів.