СРАВНЕНИЕ МОДЕЛЕЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Использование машинного обучения в области медицины является одной из самых сложных и досконально нерешенной задачей. В настоящее время существует множество различных алгоритмов для решения задач в области диагностики и сегментации биомедицинских изображений. Исследователи часто сталкиваются с проблемой выбора наилучшего метода, применимого к исследуемым данным. Мы провели эмпирическое исследование и сравнили 5 алгоритмов, которые способны решить задачу определения аномалии на медицинских снимках: R-CNN, Fast-RCNN, Faster-RCNN, Mask R CNN, U-Net, и Residual Neural Network. Преимущества автоматической обработки медицинских снимков очевидны: болезнь можно диагностировать быстрее, врачи получают удобный программный инструмент, а также снижается процент ошибок при обработке данных. Была поставлена задача – изучить, а в дальнейшем отобрать алгоритмы для дальнейшего тестирования на реальных данных. Отбор и изучение алгоритмов происходил на основе статей, описывающих архитектуру и применение алгоритмов компьютерного зрения.

1. R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Rich feature hierar-chies for accurate object detection and semantic segmentation,”Proceed-ings of the IEEE Computer Society Conference on Computer Vision andPattern Recognition, pp. 580–587, 2014.

2. R. Girshick, “Fast R-CNN,”Proceedings of the IEEE International Conference on Computer Vision, vol. 2015 Inter, pp. 1440–1448, 2015

3. S. Ren, K. He, R. Girshick, and J. Sun, “Faster r-cnn: Towards real-timeobject detection with region proposal networks,” 2016.

4. K. He, G. Gkioxari, P. Doll ár, and R. Girshick, “Mask R-CNN,”IEEETransactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 2,pp. 386–397, 2020.

5. J. W. Johnson, “Adapting Mask-RCNN for automatic nucleus segmentation,” arXiv, pp. 1–7, 2018.

6. Image set BBBC038v1, available from the Broad Bioimage Benchmark Collection [Caicedo et al., Nature Methods, 2019]

7. S. Liu, L. Qi, H. Qin, J. Shi, and J. Jia, “Path aggregation network forinstance segmentation,” 2018

8. E. Kopelowitz and G. Engelhard, “Lung nodules detection and segmen-tation using 3d mask-rcnn,” 2019

9. C. Zhao, J. Han, Y. Jia, and F. Gou, “Lung nodule detection via3D U-net and contextual convolutional neural network,”Proceedings -2018 International Conference on Networking and Network Applications,NaNA 2018, pp. 356–361, 2019. A. Pak, A. Ziyaden, K. Tukeshev, A. Jaxylykova, and D. Abdullina,“Comparative analysis of deep learning methods of detection of diabeticretinopathy,”Cogent Engineering, vol. 7, no. 1, p. 1805144, 2020.

10. O. Ronneberger, P. Fischer, T. Brox, “U-net: Convolutional networks for biomedical image segmentation”, vol. 9351, pp.234-241, 2015.

11. M. Zhou, M. Rahman, N. Siddiquee, Tajbakhsh, and J. Liang, Unet++, “A nested u-net architecture for medical image segmentation”, Springer International Publishing, 2018, vol. 11045 LNCS. [Online].

12. K.He, X.Zhang, S. Ren, “Deep residual learning for image recognition”, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2016-decem, p.770-778, 2016.

13. Romera-Paredes and P. H. S. Torr, “Recurrent instance segmentation,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 9910 LNCS, pp. 312–329, 2016.

14. O. Vinyals, Q.Le, “A Neural Conversational Model”, vol. 37, 2016.