Метод и алгоритм обучения сверточной нейронной сети, предназначенной для интеллектуальной системы распознавания меланомы

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.

1. Данные по онкологическим заболеваниям в Курской области. URL: https://adm.rkursk.m/index.php?id=13&mat_id=108524 (дата обращения: 07.12.2021).

2. О Стратегии цифровой трансформации ключевых отраслей экономики, социальной сферы и государственного управления Курской области на период с 2021 по 2024 годы: постановление № 880-па Администрации Курской области от 20.08.2021 г. URL: https://adm.rkursk.m/index.php?id=109&mat_id=123917 (дата обращения: 22.12.2021).

3. Меланома кожи. URL: https://nmicr.ru/meditsina/onkologicheskie-zabolevaniya-i-programmy-lecheniya-raka/programma-protiv-raka-kozhi-i-skeleta/melanoma-kozhi/ (дата обращения: 11.12.2021).

4. Пауков, В. С. Патологическая анатомия. М.: ГЭОТАР-Медиа, 2015. Т. 2. С. 359360.

5. Стадии меланомы. URL: https://daily-med.com.ua/stati/stati-chto-takoe-melanoma-kozhi-i-kak-ee-lechit (дата обращения: 12.12.2021).

6. Метод ABCDE в диагностике меланомы. URL: https://melanomaunit.moscow/onkologiya/melanoma/ (дата обращения: 12.12.2021).

7. Классификация меланомы по А. Бреслоу меланомы. URL: https://melanomaunit.ru/melanoma-diagnostics/klassifikatsiya-melanomy/ (дата обращения: 13.12.2021).

8. Иванов А. В., Томакова Р. А., Мишустин В. Н. Интеллектуальная система морфологического анализа патологических изменений при ретинопатии // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2012. № 2-1(41). С. 19-27.

9. Томакова Р. А., Филист С. А., Томаков М. В. Гибридные технологии в интеллектуальных системах идентификации лекарственных средств // Нейрокомпьютеры: разработка, применение. 2014. № 6. С. 31-66.

10. Tomakova R. A., Filist S. A., Pykhtin A. I. Development and Research of Methods and Algorithms for Intelligent Systems for Complex Structured Images Classification // Journal of Engineering and Applied Sciences. 2017. Vol. 12, N 22. P. 6039-6041.

11. Нейронные сети с макрослоями для классификации и прогнозирования патологий сетчатки глаза / Н. А. Кореневский, Р. А. Томакова, С. П. Серегин, А. Ф. Рыбочкин // Медицинская техника. 2013. № 4(280). С. 16-18.

12. The Role of Hybrid Classifiers in Problems of Chest Roentgenogram Classification / R. Tomakova, S. Filist, R. Veynberg, A. Brezhnev [et al.] // Advance in Intelligent Systems and Computing. 2020. Vol. 902. P. 293-303.

13. Intelligent Medical Decision Suport System Based on Internet-Technology / R. A. Tomakova, S. A. Filist, A. I. Pykhtin, A. N. Shutkin // 16th International Multidisciplinary Scientific Geoconference SGE 2016. Albena, 2016. P. 263-270.

14. Томакова Р. А., Ефремов М. А., Жилин В. В. Нечеткие нейросетевые технологии для классификации форменных элементов крови // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2013. № 4. С. 84-89.

15. The HAM10000 Dataset, Alarge Collection of Multi-Sourcedermatos Copicimages of Common Pigmented Kinlesions. URL: https://www.nature.com/articles/sdata2018161 (дата обращения: 14.12.2021).

16. Melanoma data set 256x256px. URL: https://www.kaggle.com/cdeotte/jpeg-melanoma-256x256/ (дата обращения: 13.12.2021).

17. Keras applications. URL: https://keras.io/api/applications/ (дата обращения:

18. 12.2021).

19. Adam - latest trends in deep learning optimization. URL: https://towardsdatascience.com/adam-latest-trends-in-deep-leaming-optimization-6be9a291375c (дата обращения: 14.12.2021).

20. Dropout. URL: https://keras.io/api/layers/regularization_layers/dropout/ (дата обращения: 14.12.2021).

21. Layer weigh tregularizers. URL: https://keras.io/api/layers/regularizers/ (дата обращения: 14.12.2021).