Введение 4
Постановка задачи 5
Обзор литературы 6
Глава 1. Актуальность работы 7
Глава 2. Данные для обучения 7
2.1. Описание данных 7
2.2. Добавление шума и повороты 8
2.3. Кросс-валидация 9
Глава 3. Нейронные сети 10
3.1. Задача машинного обучения 10
3.2. Перцептрон 10
3.3. Многослойный перцептрон 11
Глава 4. Обучение нейронной сети 12
4.1. Функция ошибки 12
4.2. Методы оптимизации 13
4.2.1 Стохастический градиентный спуск 13
4.2.2 Adam 14
4.3. Метрики 15
4.4. Регуляризация 17
Глава 5. Сверточные нейронные сети 17
5.1. Свёрточный слой (Convolution) 17
5.2. Субдискретизирующий слой (Subsampling) 19
5.3. Полносвязный слой (Full connection) 20
5.4. Батч-нормализация (Batch Normalization) 20
Глава 6. Преимущества CNN для данной задачи 21
Глава 7. Архитектуры сверточных нейронных сетей 21
7.1. LeNet 22
7.2. AlexNet 22
Глава 8. Результаты 24
8.1. Использованные инструменты 24
8.2. Реализованные архитектуры 24
8.3. Результаты экспериментов 26
8.4. Визуализация процессов эксперимента 27
Глава 9. Выводы 32
Заключение 33
Список литературы 34
Приложения должны быть в работе, но в настоящий момент отсутствуют.
По данным на 2018 год рак молочной железы среди женщин самый распространенный вид рака и является самой частой причиной смерти от рака [1]. Поэтому диагноз и лечение на ранних стадиях актуальны для предотвращения прогрессирования заболевания и снижения его заболеваемости.
Для диагностики рака молочной железы обычно используют пальпацию и регулярные осмотры с использованием маммографии или ультразвуковой визуализации. Затем если выявляется высокая вероятность развития злокачественной ткани, врачи делают биопсию молочной железы. Так они гистологически оценивают микроскопическую структуру и элементы ткани. Гистология позволяет различать нормальные ткани, доброкачественные изменения и злокачественные поражения.
Анализ результатов гистологии требует интенсивной работы высоко-квалифицированных специалистов. Компьютерные системы диагностики, будучи второй системой мнений, могли бы снизить нагрузку на специалистов, что способствовало бы как эффективности диагностики, так и снижению затрат.
Целью данной работы была разработка моделей, которые были бы способны распознавать инвазивный рак груди без особого типа, как вторая система мнений для специалистов. В процессе работы были рассмотрены существующие решения и сделан вывод, что разрабатываемые модели могли бы уточнить диагноз после работы существующих моделей, способных распознавать инвазивные карциомы.
Далее были рассмотрены классические модели, как AlexNet и LeNet и сделан вывод, что как модели распознающие паттерны в изображениях и не требующие больших ресурсов для обучения и использования, они соответствуют поставленной задаче. По аналогии с моделями AlexNet и LeNet были разработаны архитектуры NST-AlexNet и NST-LeNet соответственно.
Для обучения этих нейронных сетей был использован метод оптимизации Adam, способный подбирать шаг обучения для каждого параметра индивидуально. Для регуляризации функции ошибки была использована 12 регуляризация в обоих моделях и метод Dropout в модели NST-AlexNet. Также для увеличения способности моделей распознавать данные с искажениями во время обучения к данным добавлялся шум. Для ускорения обучения моделей перед некоторыми слоями использовался слой батч- нормализации.
После обучения были проанализированы метрики, полученные на кросс-валидации. Из них следовало, что модели способны находить признаки, характерные для тканей с NST. Для интерпретации работы первого сверточного слоя моделей были рассмотрены выходы этого слоя на изображении с NST и без него. По изображениям выходов был сделан вывод, что первый слой моделей способен распознавать архитектуру изображения.
Полученные результаты удовлетворительны, но есть потенциал к более успешному распознаванию инвазивного рака груди без особого типа. Это можно сделать путем рассмотрения более затратных по ресурсам моделей, а также при помощи консультаций со специалистами.
