Точное диагностирование заболевания требует многолетней медицинской практики. В последнее время Машинное обучение, особенно алгоритмы Глубокого обучения, добилось огромных успехов в области автоматической диагностики заболеваний, благодаря чему у врачей появился инструмент, помогающий им принимать решения во время диагностического процесса. ИИ (Искусственный интеллект) имеет большой потенциал для его применения практически во всех областях медицины. Медицинские проект состоит в том, чтобы считывать данные определенного типа, например, числовые данные, такие как частота сердечных сокращений или артериальное давление, или на основании изображений, таких как рентгеновские снимки или образцы биопсийной ткани в качестве входных данных. Затем на основе извлеченных данных создаются алгоритмы, способных выработать либо некую вероятность, либо создать некую классификацию. Этот проект был разработан с целью обучения алгоритму классификации типов рака молочной железы на основе анализа рентгеновских изображений. В этой статье представлен метод автоматической сегментации опухоли молочной железы, основанный на многолучевой Сверточной Нейронной Сети (Convolutional Neural Network, CNN). Обучение модели и настройка гиперпараметров были выполнены с использованием набора данных DDSM («Digital Database for Screening Mammography» / «Цифровая база данных для скрининговой маммографии»). В данной статье вы так же найдете подробное описание каждого из этапов проекта, определение проблемы, определение проблемы машинного обучения и предложение его решения, поиск и построение нашего набора данных, преобразование данных, модель обучения и использование модели для прогнозирования.

Correctly diagnosing diseases takes years of medical training. Machine Learning particularly Deep Learning algorithms, has recently made huge advances in automatically diagnosing diseases, making doctors have a tool to help them make decisions and support the diagnostic process. AI has the potential to be applied in almost every field of medicine. The projects in medicine read in some type of data, either numerical such as heart rate or blood pressure or image-based such as ray-x scans or Images of Biopsy Tissue Samples as an input. The algorithms then learn from the data and churn out either a probability or a classification. Oriented in this same direction, this project was developed with the objective of training an algorithm to classify types of breast cancer based on the analysis of x-ray images. In this paper, an automatic breast tumor segmentation approach based on a multi-path Convolutional Neural Network (CNN) is presented. The model’s training and hyper-parameter tuning were performed on the DDSM (" Digital Database for Screening Mammography") dataset. In addition, there is a detailed description of each one of the phases of the project, definition problem, define a machine learning problem and propose a solution, search and construction our dataset, transform data, train model and use the model to make predictions.