Детальная информация

Цель работы – экспериментальное сравнение нейросетевых методов классификации и обнаружения объектов на изображениях. В качестве прикладной задачи рассмотрено автоматическое обнаружение стенозов на изображениях коронарной ангиографии. Сформирован объединённый набор данных из трёх открытых датасетов (ARCADE, CADICA, Danilov 2021) с пациент-уровневым разбиением. Обучены и оценены в единых условиях восемь конфигураций детектора YOLO26 (размеры S, M, L, X при разрешениях 640 и 1024 пкс) и три конфигурации классификатора ResNet (глубины 18, 34, 50). Лучшие конфигурации – YOLO26-S@1024 (mAP@0.5 = 0,175) и ResNet-18 (AUC ROC = 0,988). Показано, что задача детекции существенно чувствительнее к смене источника данных, чем ROI-классификация. Полученные результаты могут быть использованы как методическая основа для построения многоисточниковых CAD-систем. Использовались: язык программирования Python, библиотеки PyTorch, torchvision, Ultralytics, Albumentations, pycocotools; GPU NVIDIA GeForce RTX 3070 и подсистема Apple Silicon M4 Pro (MPS).

The objective of the work is the experimental comparison of neural network methods for image classification and object detection. As an applied task, automatic stenosis detection on coronary angiography images was considered. A combined dataset was assembled from three publicly available sources (ARCADE, CADICA, Danilov 2021) with patient-level splitting. Eight YOLO26 detector configurations (sizes S, M, L, X at input resolutions 640 and 1024 px) and three ResNet classifier configurations (depths 18, 34, 50) were trained and evaluated under identical conditions. The best-performing configurations are YOLO26-S@1024 (mAP@0.5 = 0.175) and ResNet-18 (AUC ROC = 0.988). The detection task is shown to be substantially more sensitive to data-source shift than ROI classification. The obtained results may serve as a methodological basis for building multi-source CAD systems. Tools and technologies used: Python programming language; libraries PyTorch, torchvision, Ultralytics, Albumentations, pycocotools; NVIDIA GeForce RTX 3070 GPU and Apple Silicon M4 Pro (MPS).