Аннотация 2
ВВЕДЕНИЕ 5
1 АНАЛИЗ ПРОБЛЕМЫ РАКА КОЖИ И ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ 8
1.1 Рак кожи и методы его диагностики 8
1.2 Спектроскопия видимого и ультрафиолетового света, Раман-спектроскопия 11
1.3 Общая характеристика искусственных нейронных сетей 13
2 ПРОЕКТИРОВАНИЕ НЕЙРОСЕТЕВЫХ АРХИТЕКТУР 16
2.1 Постановка задачи для дифференциации меланомы кожи 16
2.2 Подготовка данных и обучение искусственной нейронной сети 17
2.3 Задача обучения искусственной нейронной сети 18
2.4 Проблемы обучения искусственной нейронной сети 24
2.5 Альтернативные методы обратного распространения ошибки 27
2.6 Разработка архитектуры и программная реализация искусственной нейронной сети 30
2.7 Перекрестная проверка и подбор параметров по сетке 36
2.8 Программа принятия решения и ее блок-схема 41
3 ТЕСТИРОВАНИЕ НЕЙРОСЕТЕВЫХ АРХИТЕКТУР 42
3.1 Разделение данных и их нормализация 42
3.2 Методы оценки точности работы искусственной нейронной сети 43
3.3 Тестирование искусственных нейронных сетей и программы принятия решений 44
ЗАКЛЮЧЕНИЕ 48
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 49
ПРИЛОЖЕНИЕ А 52
Купить

Кожа человека является очень важной частью организма, выполняя функцию барьера между организмом и внешней средой. Защищая человеческий организм, она постоянно подвергается вредному воздействию внешней среды, что в конечном счете может привести к кожным заболеваниям или раку кожи. Наиболее распространёнными факторами, способствующим возникновению рака кожи, является длительное облучение солнечными лучами ультрафиолетового спектра, радиоактивного излучения, длительное термическое воздействие, контакт с мышьяком, смолами, дегтем, сажей [1].
Рак кожи — это эпителиальные злокачественные новообразования, среди которых собственно рак кожи составляет до 90% [1]. Выделяют несколько форм рака кожи, базально-клеточный рак кожи — наименее злокачественный вид опухоли. плоскоклеточный рак кожи, и меланома — эта форма патологии обладает высокой степенью злокачественности и в большинстве случаев ведет к летальному исходу.
Злокачественная опухоль на ранних стадиях в явной форме тяжела для диагностирования и с течением времени увеличивается в размерах, и чем позже происходит ее обнаружение, тем сложнее будет проходить процесс лечения, и возможно появление рецидивов заболевания и образование метастазов. При обнаружении рака начальной стадии борьба с опухолью наиболее эффективна, вместе с тем очень высока вероятность выздоровления.
Основной задачей для предотвращения летального исхода является необходимость диагностировать заболевание на ранних стадиях, но не всегда лечащий врач, который не специализируется в области дерматологии или онкологии, в состоянии правильно поставить диагноз. Классическая диагностика рака кожи включает гистологический метод и цитологию мазков, позволяющие верифицировать диагноз на основании обнаружения специфических патоморфологических признаков [6]. Но проблема заключается в том, что все они требуют непосредственно присутствие человека при анализе полученных данных. От чего появляется риск человеческой ошибки при постановке диагноза. Чтобы исключить возможность ошибки возможно применение современных технологий компьютерного анализа.
В данной работе будет рассмотрена одна из таких технологий, основанная на дифференциации меланомы среди патологий на спектрах комбинационного рассеяния с применением нейронных сетей, так как нейронные сети хорошо себя показали в дифференциации патологий [4].
Целью данной работы является повышение точности диагностики меланомы кожи с применением спектров комбинационного рассеяния с помощью разработки архитектуры классификатора с использованием нейронных сетей.
Объектом исследования является процесс ранней компьютерной диагностики кожи на спектрах комбинационного рассеяния.
Предметом исследования является архитектура нейронной сети для эффективного классифицирования заболеваний меланомы кожи на спектрах комбинационного рассеяния.
Актуальность работы заключается в том, что за 2007-2017 гг. численность контингента больных меланомой кожи на 100 000 населения выросла с 41,2 до 61,2, и ранняя диагностика без вмешательства врачей с использованием современных технологий сокращает случаи несвоевременно замеченных кожных заболеваний, в частности меланомы, так как она является самым опасным и прогрессивным кожным заболеванием [5].
При выполнении бакалаврской работы использовался высокоуровневый язык программирования Python 3.6, предоставляющий широкий инструментарий для решения задач машинного обучения. Обучение проводилось по данным результатов спектроскопии с помощью нейронных сетей.
Для достижения поставленной цели, в работе решался ряд задач:
1. Изучение существующих литературных источников, описывающих передовые достижения в области разработки высокоточных моделей классификации, основанных на нейронных сетях. Обобщение информации, полученной о нейронных сетях, раке кожи, спектроскопии.
2. Построения наиболее эффективной архитектуры нейронной сети и проектирование адаптивной высокоточной модели классификатора с использованием нейронных сетей.
3. Обучение полученной нейронной сети.
4. Проведение экспериментов по сравнению качества результатов классификации предложенных моделей, оценка и интерпретация результатов.
5. Расчет, визуализация и интерпретация сравнительных данных о результатах проведенных экспериментов.
Выпускная квалификационная работа состоит из введения, трех глав и заключения.
В первой главе обосновывается актуальность проделанной работы, представляются теоретические сведенья о раке кожи, диагностики спектров комбинационного рассеяния и методы обучения искусственных нейронных сетей.
Во второй главе описываются нейросетевые модели для классификации патологий, разрабатывается и программируется архитектура сети, также подготавливаются наборы данных для их обучения, производится подбор параметров и обучение сети.
В третьей главе производится тестирование обученных нейросетевых архитектур на основе подготовленных наборов данных.
В заключении подводятся итоги исследования, формируются окончательные выводы по рассматриваемой теме.
Купить