Томакова Римма Александровна, д-р технических наук, проф. каф. программной инженерии
Researcher ID WoS: O-6164-2015
AuthorID: 739221
ул. 50 лет Октября 94, г. Курск 305040
Rimma A. Tomakova, Dr. of Sci. (Engineering), Professor of the Department of Software Engineering
50 Let Oktyabrya str. 94, Kursk 305040
Дзюбин Илья Александрович, магистрант
ул. 50 лет Октября 94, г. Курск 305040
Ilya A. Dzyubin, Undergraduate
50 Let Oktyabrya str. 94, Kursk 305040
Брежнев Алексей Викторович, канд. технических наук, доцент
Стремянный пер. 36, г. Москва 117997
Alexey V. Brezhnev, Cand. of Sci. (Engineering), Associate Professor
36 Stremyanny per., Moscow 117997
Цель исследования заключается в разработке интеллектуальной информационной системы, позволяющей реализовать процесс диагностики меланомы на основе сверточной нейронной сети.
Методы. В основу формирования интеллектуальной информационной системы диагностики положено использование сверточных нейронных сетей, основанных на бинарной классификации. В ходе исследования был проанализирован набор из 21000 изображений, где 10500 изображений - изображения меланомы (злокачественного образования), и 10500 изображений невуса (доброкачественного образования). В результате исследований разработан модуль, содержащий сверточную нейронную сеть, которая принимает на вход информативные признаки анализируемого патологического образования на изображении и формирует ответ, состоящий из набора вероятностных характеристик принадлежности выделенного образования к одному из классов образований - меланомы или невуса. Для обеспечения повышения уровня точности классификации была использована сверточная нейронная сеть Xception. Было проведено дообучение последних слоев используемой нейронной сети, а также выполнена регуляризация сети и реализован метод исключения нейронов в целях снижения функции потерь.
Результаты. На основе обработки патологических объектов на изображениях сформирован набор входных информационных признаков, предназначенный для интеллектуальной системы распознавания. Применение сверточной нейронной сети позволило установить точность классификации патологических объектов - 94,59%. Максимальное значение функции потерь в процессе исследований достигало 18,79%. Был сформирован модуль, представляющий Linux-контейнер с интерфейсом взаимодействия посредством протокола HTTP. На основе анализа входного изображения модуль формирует ответ, состоящий из вероятностной характеристики принадлежности исследуемого объекта к одному из исследуемых классов - меланомы и невуса.
Заключение. Представлены результаты последовательного формирования сверточной нейронной сети посредством анализа изменения ключевых показателей (функции потерь и точности модели) в ходе изменения размера слоев сети.
The purpose of research is to develop an intelligent information system that allows to implement the process of melanoma diagnosis based on a convolutional neural network.
Methods. The basis for the formation of an intelligent diagnostic information system is the use of convolutional neural networks based on binary classification. During the study, a set of 21,000 images was analyzed, where 10,500 images were an image of a melanoma (malignant formation), and 10,500 images of a nevus (benign formation).As a result of the research, a module containing a convolutional neural network has been developed, which accepts informative signs of the analyzed image as input and forms a response consisting of a set of probabilistic characteristics of the selected pathological formation belonging to one of the classes of formations - melanoma or nevus. To ensure an increase in the level of classification accuracy, the convolutional neural network Xceptionwas used. The last layers of the neural network used were retrained, the network was regularized and the method of excluding neurons was implemented in order to reduce the loss function.
Results. Based on the processing of pathological objects in the images, a set of input information features designed for an intelligent recognition system has been formed. The use of convolutional neural network allowed to establish the accuracy of classification of pathological objects - 94.59%. The maximum value of the loss function during the research reached 18.79%. A module was formed representing a Linux container with an interface for interaction via the HTTP protocol. Based on the analysis of the input image, the module generates a response consisting of a probabilistic characteristic of the belonging of the studied object to one of the studied classes - melanoma and nevus.
Conclusion. The results of the sequential formation of a convolutional neural network by analyzing changes in key indicators (loss function and model accuracy) during the change in the size of the network layers are presented.
The authors declare that there are no conflicts of interest present.