В работе рассматривается алгоритм машинного обучения, предназначенный для решения задачи классификации раковых опухолей. В основе алгоритма лежит концепция сиамских сверточных нейронных сетей (SCNN). SCNN обучается на снимках компьютерной томографии легкого, которые представлены в виде трехмерных массивов данных. SCNN переводит исходные снимки в эмбеддинг-пространство, отдаляя объекты разного класса и сближая объекты одного класса, при помощи функции потерь triplet loss. После перевода изображений в эмбеддинг-пространство, полученные вектора классифицируются при помощи одного из алгоритмов машинного обучения. В работе сравниваются такие гиперпараметры алгоритма обучения, как: размер входного изображения, размерность эмбеддинг-пространства, способы предобучения модели и другие. Наилучшая точность классификации, полученная с помощью модели – 0.92.

The paper considers a machine learning algorithm designed to solve the classification of cancerous tumors. The algorithm is based on the concept of Siamese convolutional neural networks (SCNN). SCNN is trained on computed tomography images of the lung, which are presented in the form of three-dimensional data arrays. SCNN translates the original images into the embedding space, moving objects of different classes and bringing objects of the same class closer using the triplet loss function. After translating the images into the embedding space, the resulting vectors are classified using one of the machine learning algorithms. The work compares such hyperparameters of the learning algorithm as: the size of the input image, the dimension of the embedding space, methods of pre-training the model, and others. The best classification accuracy obtained using the model is 0.92.