Надеран М. .. Гібридна згорткова мережа для обробки зображень та медичної діагностики

English version

Дисертація на здобуття ступеня доктора філософії

Державний реєстраційний номер

0821U102590

Здобувач

Спеціальність

  • 122 - Комп’ютерні науки

09-11-2021

Спеціалізована вчена рада

ДФ 26.002.051

Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського"

Анотація

Метою дисертаційного дослідження являється розробка нової архітектури гібридної згорткової мережи та моделі класифікації для підвищення якості розпізнавання раку молочної залози та зниження часу навчання. Дослідження обумовлені потребою в розробці нових і вдосконаленні існуючих моделей і методів для обробки зображень і медичної діагностики. Гібридна згорткова мережа повинна забезпечувати виділення інформативних ознак, що дозволяють підвищити критерій якості моделі для задач діагностування раку молочної залози. У запропонованій гібридній згортковій моделі, згортковий автоенкодер було використано для пошуку інформативних ознак, а згорткову нейронну мережу DenseNet – для класифікації. Виконано експериментальні дослідження розробленої моделі розпізнавання раку молочної залози, отримано наступні показники: чутливість, точність (precision), F1-Score і точність (accuracy) моделі які становлять 93.5%, 93.2%, 93.3% і 93% відповідно, що значно більше ніж у відомих згорткових мережах, які були застосовані для цієї задачі. Наукова новизна дисертаційної роботи полягає: - Запропоновано модель, яка на відміну від існуючих моделей, дозволяє діагностування раку молочної залози за мінімальний час в порівнянні з відомими методами. - Розроблена гібридна згорткова мережа на основі енкодера, яка дозволяє підвищити якість класифікації раку молочної залози і зокрема досягти мінімального відсотка помилково негативної помилки (англ. False negative, FN) в порівнянні з відомими роботами в задачах класифікації раку молочної залози. - Проведена модифікація архітектури моделі Inception V3 шляхом розширення числа повнозв’язаних шарів.

Файли

Схожі дисертації