Hluboké neuronové sítě pro analýzu medicínských obrazových dat

Abstract

Cieľom tejto práce je využitie konvolučných neurónových sietí na klasifikáciu röntgenových snímok ľudského tela. Na tento účel boli vytvorené štyri neurónové siete, ktoré sa testujú na troch klasifikačných úlohách: klasifikácia bočnej a predozadnej snímky hrudníka, klasifikácia snímok do viacerých kategórií a klasifikácia chorôb na predozadnej snímke hrudníka. Najlepšie výsledky dosiahli siete ResNet a SEResNet. Pri prvej úlohe dosiahla SEResNet presnosť 99,49%, pri druhej mala najlepšie výsledky ResNet s presnosťou 94,97% a v prípade tretej úlohy dosiahla najlepší výsledok opäť SEResNet, 31,53% s použitím metriky F1 measure.The purpose of this thesis is to use convolutional neural networks for X-ray image classification of human body. Four different architectures of neural networks have been created. They were trained and tested on three tasks: classification of front and lateral chest, classification of X-ray images into several different categories and classification of diseases in chest X-ray. ResNet and SEResNet architectures achieved the best results. SEResNet scored 99,49% accuracy in the first task, ResNet achieved 94,97% accuracy in the second task and SEResNet reached 31,53% in the third task with F1 measure as metrics for evaluating results.