ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ВИРІШЕННЯ ПРОБЛЕМИ ДІАГНОСТУВАННЯ ШКІРНИХ ЗАХВОРЮВАНЬ

Анотація

Стаття присвячена дослідженню застосування технології машинного навчання для діагностування шкірних захворювань. Об'єктом дослідження є процес розпізнавання та класифікації шкірних захворювань за їх фотознімками. Актуальність дослідження зумовлена тим, що на сьогодні методи штучного інтелекту широко застосовуються в медичній сфері і дозволяють діагностувати хвороби у тих випадках, коли очне відвідування лікаря за певних причин ускладнене, зокрема, в телемедицині. Метою роботи є розроблення моделі нейронної мережі для діагностування шкірних захворювань для її подальшого впровадження в інформаційну систему, котра в незалежності від зовнішніх факторів зможе розпізнати та класифікувати захворювання при наданій користувачем фото захворювання. В роботі представлено застосування методу обробки зображень, а саме алгоритм кластеризації Kmeans для підвищення якості вхідних зображень. Для класифікації шкірних захворювань використано згорткову нейронну мережу CNN. Використано вхідний набір зображень DermNet, який заздалегідь був розподілений на навчальну та тестову вибірку. Обробка даних, а саме виділення локалізації захворювання на зображенні, виконувалася за допомогою математичних обчислень, а саме бібліотеки Sklearn. Після обробки дані надходять до згорткової нейроної мережі, котра була побудована з використанням фреймворку Tensorflow. За результатами навчання нейронної мережі, де всі обчислення були виконані не на графічному процесорі, точність розпізнавання усієї тестової вибірки склала більше 0.7, а для окремих зображень досягла 0.9. Даний результат було отримано за умови, що дані перед навчанням помістили в алгоритм кластеризаціії, тобто була виконана їх первинна обробка. Таким чином, у результаті проведеного дослідження можна зробити висновок, що метод Kmeans є придатним для вирішення задач попередньої обробки знімків в дерматології, а також не виникає конфлікту в процесі навчання моделі на базі фреймворку TensorFlow при стандартних параметрах мережі. Подальша робота полягає у підвищенні точності класифікації розробленої нейронної мережі шляхом оптимізації параметрів на різних архітектурах нейронних мереж, а також використання ансамблевих методів для дослідження покращення точності класифікації та швидкості нейронної мережі.