Registration Number
2125U003944, Article
popup.category
Опубліковано, Стаття
Title
CLASSIFICATION OF HISTOLOGICAL IMAGES BASED ON CONVOLUTIONAL NEURAL NETWORKS
popup.author
Лящинський П. Б.
Liashchynskyi P. B.
popup.publication
24-12-2025
popup.source_user
Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка")
popup.source
https://ric.zp.edu.ua/article/view/346250
popup.publisher
National University "Zaporizhzhia Polytechnic"
Description
Актуальність. Велике значення для прискорення та підвищення точності діагностики в медицині має автоматизована класифікація гістологічних зображень. Беручи до уваги складність і високу варіативність гістологічних структур, застосування глибокого навчання і згорткових нейронних мереж зокрема, є перспективним напрямком у вирішенні цієї задачі. Об’єктом дослідження є процес класифікації гістологічних зображень з допомогою згорткових нейронних мереж для визначення та оптимізації архітектури із найвищим показником точності.Мета роботи. Метою роботи є розробка ефективного підходу до класифікації гістологічних зображень із використанням згорткових нейронних мереж, який забезпечує високу точність за рахунок поетапної оптимізації архітектури та застосування методів розширення даних з допомогою афінних перетворень та синтезу на основі дифузійних моделей.Метод. Дослідження включає чотири основні етапи. На першому проведено порівняльний аналіз 12 відомих архітектур згорткових нейронних мереж на базовому гістологічному датасеті. Другий та третій етапи передбачають порівняльний аналіз на розширених даних, що включають афінні перетворення та синтетичні зображення, згенеровані дифузійною моделлю відповідно. На фінальному, четвертому етапі виконується нейроеволюційний пошук оптимальної архітектурної комірки. Після її знаходження вона інтегрується у розроблену архітектуру моделі, де для кожного шару здійснюється вибір між певними блоками та знайденою коміркою. Такий підхід дозволяє автоматично сформувати оптимальну послідовність блоків у моделі, що забезпечує найвищу точність класифікації.Результати. Запропонований підхід дозволив покращити точність класифікації гістологічних зображень порівняно з початковими архітектурами. Додавання синтетичних зображень до навчального набору забезпечило приріст продуктивності моделей. Пошук оптимальної комірки та її інтеграція в модель з подальшою оптимізацією продемонстрував додаткове покращення якості класифікації, збільшивши точність до 94,9, 96,1 та 99,8% на кожному датасеті відповідно.Висновки. Запропонований підхід дозволяє досягнути високої точності класифікації гістологічних зображень завдяки поетапному процесу, що включає використання класичних архітектур згорткових нейронних мереж, генерацію синтетичних даних та пошук оптимальних архітектурних і гіперпараметричних конфігурацій. Розроблено програмний модуль класифікації гістологічних зображень, який може бути використаний у системі автоматичного діагностування.
popup.nrat_date
2026-02-09