Данная работа посвящена реализации искусственной нейронной сети, способной классифицировать медицинские изображения (снимки оптической когерентной томографии) на предмет выявления заболеваний сетчатки. В первой главе описываются нейронные сети, применяющиеся для задачи классификации изображений. Вторая глава посвящена обзору и сравнению архитектур сверточных нейронных сетей. В третьей главе идет речь о поставленной задаче, а также о технологиях, которые будут использоваться для ее решения. Четвертая глава описывает процесс реализации от формирования выборки до тестирования обученной модели. В пятой главе приведены экспериментальные исследования полученной модели.

This work is devoted to the implementation of an artificial neural network capable of classifying medical images (images of optical coherence tomography) for the detection of retinal diseases. The first chapter describes neural networks used for image recognition tasks. The second chapter is devoted to a review and comparison of convolutional neural network architectures. The third chapter deals with the task and the technologies that will be used to solve it. The fourth chapter describes the implementation process from dataset formation to testing the trained model. The fifth chapter presents experimental studies of the obtained model.

• ВВЕДЕНИЕ
• ГЛАВА 1. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ В РАСПОЗНАВАНИИ ИЗОБРАЖЕНИЙ
  • 1.1. Нейронные сети
  • 1.2. Искусственные нейронные сети
  • 1.3. Обучение искусственных нейронных сетей
  • 1.4. Сверточные нейронные сети
    • 1.4.1. Сверточный слой
    • 1.4.2. Слой пулинга
    • 1.4.3. Слой сглаживания
    • 1.4.4. Полносвязный слой
  • 1.5. Выводы по главе
• ГЛАВА 2. СВЕРТОЧНЫЕ СЕТИ ДЛЯ ЗАДАЧИ КЛАССИФИКАЦИИ
  • 2.1. AlexNet
  • 2.2. VGGNet
  • 2.3. GoogleNet
  • 2.4. ResNet
  • 2.5. Выводы по главе
• ГЛАВА 3. ПОСТАНОВКА ЗАДАЧИ И ИНСТРУМЕНТЫ РАЗРАБОТКИ
  • 3.1. Постановка задачи
  • 3.2. Jupyter Notebook
  • 3.3. TensorFlow
  • 3.4. Выводы по главе
• ГЛАВА 4. РЕАЛИЗАЦИЯ МОДЕЛИ И ПРОЦЕССА ОБУЧЕНИЯ
  • 4.1. Архитектура сети
  • 4.2. Входные данные
  • 4.3. Обучение сети
  • 4.4. Результаты обучения
  • 4.5. Выводы по главе
• ГЛАВА 5. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МОДЕЛИ
  • 5.1. Матрица неточностей
  • 5.2. Метрики
  • 5.4. Выводы по главе
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Полный код программы