Details

Цель работы — разработка и экспериментальная оценка моделей глубокого обучения для классификации КТ-изображений лёгких по гистологическим типам заболевания. Решаемые задачи:1) выполнение обзора существующих методов классификации компьютерно-томографических изображений лёгких; 2) формирование набора данных КТ-изображений на основе открытого медицинского ресурса TCIA; 3) реализация алгоритмов предобработки и классификации узелков лёгких с применением методов глубокого обучения; 4) применение и тестирование программных средств автоматизированной разработки на языке python. Работа выполнена на основе открытых медицинских наборов данных компьютерно-томографических изображений лёгких. В ходе исследования использованы методы предобработки изображений и свёрточные нейронные сети для классификации узелков, а оценка качества проведена с применением метрик точности и визуального анализа результатов. Показана эффективность современных нейросетевых архитектур и возможность использования полученных результатов в системах поддержки принятия решений в медицинской диагностике. В процессе выполнения работы применялись язык программирования python и библиотека pytorch, включая архитектуры densenet121, resnet-18 и inception v3.

Aim of the study is to develop and experimentally evaluate deep learning models for the classification of lung computed tomography images according to histological types of disease. Objectives of the study: 1) review existing methods for the classification of lung computed tomography images; 2) form a dataset of CT images based on the open medical resource TCIA; 3) implement image preprocessing and lung nodule classification algorithms using deep learning methods; 4) apply and test automated software development tools using the Python programming language. The work is based on open medical datasets of lung computed tomography images. During the research, image preprocessing methods and convolutional neural networks were used for lung nodule classification, and model performance was evaluated using accuracy metrics and visual analysis of the results. The effectiveness of modern neural network architectures is demonstrated, and the obtained results can be used in the development of medical decision support systems. During the work, the Python programming language and the PyTorch library were used to implement machine and deep learning algorithms, including DenseNet121, ResNet-18, and Inception v3 architectures.