Neural network models in the problem of medical images classification

Работа посвящена построению модели сверточной нейронной сети для распознавания медицинских изображений на примере базы рентгеновских снимков пациентов с установленным диагнозом опухоль мозга. Предложена модель сверточной нейронной сети, архитектура которой включает два сверточных слоя и один полносвязный слой. Проведено сравнение результатов достоверности и точности построенного классификатора с результатами, полученными на основе предварительно обученных моделей VGG-16, VGG-19, Inception-V3, InceptionResNet-V2, ResNet-50, ResNet-152 и Xception. Рассмотренные модели CNN на тестовом наборе данных достигли достоверности распознавания изображений от 95.36 % до 98.84 %. Наивысшей достоверности результатов в решении задачи распознавания опухоли мозга достигли модели VGG-16, VGG-19, Xception и предложенная модель. Однако время обучения построенных моделей различается в зависимости от архитектуры нейронной сети. При этом для предложенной модели CNN не выявленных признаков заболевания среди образцов рентгеновских снимков пациентов с установленным диагнозом опухоль мозга оказалось 0.783 %. Предложенная нейросетевая модель может выступать как дополнительный инструмент врача при диагностике опухоли головного мозга. Внедрение алгоритмов компьютерного зрения в ежедневную работу врача позволит оперативно провести дообследование пациента, поставить диагноз и своевременно провести лечение. Применение сервисов на основе алгоритмов искусственного интеллекта способно сократить общее время на проведение диагностических исследований, выявить патологии на ранней стадии заболевания и с большей вероятностью ожидать, что лечение приведет к положительным результатам. The research is devoted to the construction of a convolutional neural network model for recognizing medical images on the example of X-ray images database of patients with an established diagnosis of brain tumor. The convolutional neural network model is proposed, the architecture of which includes two convolutional layers and one fully connected layer. The accuracy results of the proposed classifier and accuracy results of the pre-trained models VGG16, VGG19, Inception-V3, InceptionResNet-V2, ResNet50, ResNet152 and Xception are compared. The considered CNN models on the test dataset achieved the image recognition accuracy from 95.36% to 98.84%. The highest accuracy of the results in solving the problem of recognizing a brain tumor was achieved by the models VGG 16, VGG 19, Xception and the proposed model. However, the training time of the constructed models differs depending on the architecture of the neural network. At the same time, for the proposed CNN model, there were 0.783% of not detected disease signs among the X-ray samples of patients with an established diagnosis of a brain tumor. The proposed neural network model can act as an additional tool for a doctor in the diagnosis of a brain tumor. The introduction of computer vision algorithms into the daily work of a doctor will make it possible to promptly carry out an additional examination of the patient, make a diagnosis and administer treatment in a timely manner. The use of services based on artificial intelligence algorithms can reduce the total time spent on diagnostic studies, identify pathologies at an early stage of the disease and are more likely to guarantee that treatment will lead to positive results. Keywords: convolutional neural networks, image recognition, image classification, brain tumor, pretrained neural networks.