Х. Диаз-Эскобар, В.И. Кобер, В.Н. Карнаухов, М.Г. Мозеров

Сравнительный анализ сверточных нейронных сетей для классификации аномалий молочной железы

Системы компьютерной диагностики используются радиологами в качестве второго интерпретатора для обнаружения рака молочной железы в цифровой маммографии. Однако, для каждого истинно положительного рака, обнаруженного системой компьютерной диагностики, эксперт должен пересмотреть большое количество ложных прогнозов, чтобы избежать ненужной биопсии. Традиционный подход к созданию таких систем заключается в выборе и расчете признаков интересующих объектов из исходных данных с последующим подбором модели для их классификации с помощью машинного обучения. Машинное обучение и особенно глубокое обучение используются для анализа маммограмм. Большинство предложенных до сих пор моделей обучаются на небольшом количестве данных и не обладают высокой надежностью. В этой работе сравниваются несколько моделей глубокого обучения для классификации доброкачественных и злокачественных образований на цифровых маммограммах. Этап предварительной обработки предназначен для удаления шума и извлечения признаков с использованием локальной информации о фазе изображения. Затем для классификации цифровой маммографии используется глубокое обучение. Экспериментальные результаты представлены с использованием нескольких баз данных и оценены с помощью нескольких критериев качества.

КЛЮЧЕВЫЕ СЛОВА: маммография, система компьютерной диагностики, машинное обучение, нейронные сети, фазовые признаки