Тонко настроенные модели глубокого обучения для раннего выявления и классификации патологий почек на КТ-изображениях

Введение

Почки играют ключевую роль в поддержании гомеостаза, однако такие факторы, как образ жизни и заболевания, могут привести к почечной недостаточности. Ранняя диагностика патологий почек критически важна для своевременного вмешательства, но часто затруднена из-за отсутствия выраженных симптомов на начальных стадиях. Компьютерная томография (КТ) является одним из основных инструментов для выявления различных состояний почек.

Цель исследования

Исследование направлено на классификацию КТ-изображений почек с выявлением кист, нормального состояния, камней и опухолей с использованием методов глубокого обучения, включая тонкую настройку гиперпараметров и трансферное обучение на моделях CNN, VGG16, ResNet50, CNNAlexnet и InceptionV3.

Методы

Авторы предлагают инновационную методологию, объединяющую:

• Тонко настроенное трансферное обучение.
• Продвинутую обработку изображений.
• Оптимизацию гиперпараметров.

Для повышения точности классификации применялись:

• Нормализация и аугментация данных (зум, поворот, сдвиг, коррекция яркости, горизонтальное/вертикальное отражение).
• Сегментация методом водораздела и бинаризация по методу Оцу.
• Оптимизация и комбинирование признаков с использованием метода Relief.

Результаты

Широкие нейросетевые классификаторы достигли максимальной точности в 99,96% среди всех моделей. Предложенный подход демонстрирует высокую эффективность в автоматической и точной классификации КТ-изображений почек, что значительно улучшает возможности медицинской визуализации и диагностики.

Выводы

Исследование подчеркивает важность раннего выявления заболеваний почек и предлагает инновационное решение, основанное на глубоком обучении. Методология демонстрирует высокую точность и надежность, что способствует улучшению диагностики и, как следствие, улучшению исходов для пациентов.

Термины и сокращения

• КТ – компьютерная томография.
• CNN – сверточная нейронная сеть (Convolutional Neural Network).
• VGG16, ResNet50, CNNAlexnet, InceptionV3 – архитектуры глубокого обучения для обработки изображений.
• Relief method – метод отбора признаков в машинном обучении.
• Otsu's binarization – метод автоматического определения порога для бинаризации изображений.