Використання алгоритмів для аналізу та обробки зображень у різних сферах, таких як медицина та безпека

Abstract

У статті наведено як обробка медичних зображень та їх безпека залежить від мето- дів глибокого навчання, особливо від нейронних мереж, які автоматично працюють ізмедичними зображеннями. Мета статті – створення ефективного алгоритму класифікації медичних зображень, що дозволяє скоротити тривалість діагностики та підвищити точність ідентифікації захворювання. Розроблено алгоритм медичних візуалізацій за допомогою трансферного навчання з застосуванням згорткових нейронних мереж (CNN) для автоматизації процесу діагностики і підвищення дієздатності відслідковування захворювань на рентгенівських знімках грудної клітини. Наукова новизна. Застосовано трансферне навчання за допомогою розробленої раніше навченої моделі DenseNet121 для обробки медичних знімків. Вдосконалення здійснюється шляхом заморожування попередньо навчених шарів, заміни останнього шару на новий, який відповідає 14 класам, використання методів аугментації даних для підвищення уза- гальнюючої здатності моделі. Результати. Дослідження підтвердили, що на основі DenseNet121 модель досягла точності 85% на тестовому наборі даних. Користування трансферного навчання зро- било значно коротшим час навчання, що підвищує точність навчання в порівнянні зі зви- чайним з нуля. Аугментація даних, такі як випадкові повороти та горизонтальне від- дзеркалення, допомогли підвищити узагальнюванні характеристики моделі. Оптимізація за допомогою Adam з швидкістю навчання 0.001 забезпечила стабільне зниження втрат під час навчання. Висновки. Запропонований підхід показує ефективність для класифікації медичних зображень, що може суттєво збільшити процес діагностики й підвищити точність про- ведення діагностики захворювань. Попри вже досягнутий рівень, модель потребує подаль- щого вдосконалення та навчання, у тому числі розширення набору даних й додаткового тестування для проведення випробувань на різних видах медичних зображень. Це дослі- дження є важливим кроком до автоматизації інтерпретації зображень за допомогою глибокого навчання, що відкриває раніше неможливі застосування штучного інтелекту у сфері медицини та безпеки