Інтелектуальна система діагностування раку на мамографічних зображеннях з покращеною інтерпретованістю

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Мельником Данилом Тадейовичем. Тема «Інтелектуальна система діагностування раку на мамографічних зображеннях з покращеною інтерпретованістю». Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є покращення інтерпретованості інтелектуальних систем діагностування раку на мамографічних зображеннях. Об’єктом дослідження є процеси діагностування ракових пухлин на мамографічних зображеннях. Предметом досліджень є методи машинного навчання для покращення інтерпретованості результатів діагностики раку на мамографічних зображеннях. Досягнення мети відбувається за рахунок розробки та впровадження методів пояснювального штучного інтелекту (XAI) у поєднанні з класифікаційною нейронною мережею. Апробацію роботи здійснено з використанням реального мамографічного набору даних InBreast, проведено ряд експериментів з різними архітектурами класифікатора та різними методами XAI. Розроблений метод дозволив покращити точність виявлення мамографічних зображень із злоякісними утвореннями порівняно з професійним радіологом. Швидкодія системи дозволяє її інтеграцію в клінічну практику, забезпечуючи час обробки однієї мамограми менше 1 секунди без використання апаратного прискорення. У результаті виконання дипломної роботи створено інтелектуальну систему діагностики раку молочної залози з покращеною інтерпретованістю; розроблено її програмну реалізацію, яка дозволяє виявляти аномальні області на мамографічних зображеннях. Загальний обсяг роботи: 76 сторінок, 50 рисунків, 6 таблиць, 36 посилань. Master’s degree work of the student of the group CSAI-21 Melnyk Danylo Tadeiovych. The topic is “Intelligent cancer diagnostic system for mammographic images with enhanced interpretability”. The work is aimed at obtaining a master's degree in 122 specialty “Computer Science”. The object of research is the process of diagnosing cancerous tumors on mammographic images. The subject of research is machine learning methods for improving the interpretability of breast cancer diagnosis results on mammographic images. The goal of the research is achieved by developing and implementing Explainable Artificial Intelligence (XAI) methods in combination with a classification neural network. The work was tested using the real mammographic dataset InBreast; a series of experiments were conducted with different classifier architectures and various XAI methods. The application of the developed method allowed for improving the accuracy of detecting mammographic images with malignant tumors compared to a professional radiologist. The system's high processing speed enables its integration into clinical practice, providing a processing time of one mammogram in less than 1 second without using hardware acceleration and nearly half of the second with Nvidia CUDA acceleration. As a result of the master's thesis, an intelligent system for breast cancer diagnosis with improved interpretability was created; its software implementation was developed, which allows for more accurate and interpretable detection of anomalous regions on mammographic images. The total volume of work: 76 pages, 50 figures, 6 tables, 36 references.