АНАЛІЗ ЕФЕКТИВНОСТІ НЕЙРОННИХ МОДЕЛЕЙ У ЗАДАЧАХ ОБРОБКИ УЛЬТРАЗВУКОВИХ ДІАГНОСТИЧНИХ ЗНІМКІВ

Анотація

У статті здійснено порівняльний аналіз ефективності застосування простих штучних нейронних мереж (ANN) та згорткових нейронних мереж (CNN) у задачах обробки ультразвукових діагностичних знімків. Актуальність дослідження зумовлена широким використанням УЗД у клінічній практиці та обмеженнями, які притаманні цьому методу візуалізації, зокрема – низькою контрастністю, високим рівнем шуму та залежністю якості зображення від типу апаратури й кваліфікації оператора. В умовах зростаючого обсягу медичних даних і потреби в автоматизованих системах підтримки прийняття рішень нейронні моделі виступають перспективним інструментом підвищення діагностичної інформативності знімків.Для досягнення мети було проведено експериментальне моделювання із використанням відкритого набору ультразвукових зображень молочної залози, доступного на платформі Kaggle. Вихідні знімки були масштабовані з 500 × 500 до 128 × 128 пікселів з метою зменшення обчислювального навантаження. Було реалізовано дві архітектури: базову ANN з одним прихованим шаром та CNN з трьома згортковими шарами. Моделі оцінювались за метриками точності класифікації, повноти, специфічності, F1-мірою, швидкодією та інтерпретованістю.Результати дослідження показали, що CNN суттєво перевершує ANN за всіма ключовими критеріями. Середня точність класифікації CNN склала 86,4 % проти 71,3 % у ANN. Важливо, що CNN забезпечувала кращу стабільність результатів при зміні джерел даних та рівня шуму, а також дозволяла використовувати Grad-CAM для візуалізації ділянок з найбільшим впливом на класифікаційне рішення. ANN, у свою чергу, виявилась менш чутливою до локальних текстурних ознак, проте мала перевагу в обчислювальній простоті.Зроблено висновок про доцільність використання CNN у клінічних умовах, де пріоритетом є точність та надійність результатів, тоді як ANN може бути корисною в системах попередньої фільтрації або в умовах обмежених обчислювальних ресурсів. Стаття також підкреслює важливість врахування апаратних особливостей джерел зображень та перспективність розвитку гібридних архітектур з високим рівнем інтерпретованості.