Аналіз каркасних мереж виявлення ознак в моделях глибинного навчання

Abstract

У роботі проаналізовано та порівняно сучасні моделі глибинного навчання для задач класифікації зображень МРТ колінного суглоба. Проаналізовано сучасні глибинні архітектури комп’ютерного зору для виділення ознак із зображень МРТ. Такий аналіз використано для створення прикладних архітектур моделей машинного навчання. Вказані моделі орієнтовані на автоматизацію процесу діагностування травм коліна у медичних приладах та системах. Досліджено різні типи каркасних мереж виявлення ознак для архітектур машинного навчання, які здійснюють класифікацію зображень магнітно-резонансної томографії (МРТ) коліна. Результуючі моделі оцінено на наборі даних MRNet із обчисленням метрик F1 та К-Каппи Коена. Результати роботи показують, що метрика Каппа Коена важлива для оцінювання моделей на архітектурі MRNet, оскільки забезпечує глибше розуміння класифікаційних рішень кожної моделі.

This paper analyzes and compares modern deep learning models for the classification of MRI images of the knee joint. An analysis of modern deep computer vision architectures for feature extraction from MRI images is presented. This analysis was used to create applied architectures of machine learning models. These models are aimed at automating the process of diagnosing knee injuries in medical devices and systems. This work is devoted to different types of feature detection framework networks for machine learning architectures that perform magnetic resonance imaging (MRI) image classification of the knee. The resulting models were evaluated on the MRNet validation dataset, calculating the metrics (ROC-AUC), prediction accuracy, F1 score, and Cohen’s K-Kappa. The results of this work also show that Cohen's Kappa metric is important for evaluating models on the MRNet architecture because it provides a deeper understanding of the classification decisions of each model.