Класифiкацiя ракових клiтин за гiстологiчними зображеннями на основі методiв машинного навчання

Abstract

Актуальність дослідження полягає у необхідності високоточних та ефективних інструментів для аналізу гістологічних зображень. Автоматизація цього процесу за допомогою методів машинного навчання дозволяє значно підвищити точність діагностики, зменшити навантаження на лікарів-патоморфологів та мінімізувати вплив суб'єктивного фактору. Об’єктом дослідження є процеси автоматизованої класифікації гістологічних зображень для діагностики ракових захворювань. Предметом дослідження є алгоритми машинного навчання для класифікації зображень ракових клітин. Метою дослідження є розробка інтелектуальної системи, здатної автоматично класифікувати гістологічні зображення клітин молочної залози як доброякісні або злоякісні з високою точністю. Пояснювальна записка складається зі вступу, чотирьох розділів, висновку та додатків. У першому розділі проведено аналіз предметної сфери, досліджено сучасні підходи та існуючі рішення в області автоматизованої класифікації гістологічних зображень, а також сформовано постановку задачі. У другому розділі розглянуто алгоритми, моделі, методи та інформаційні технології для вирішення поставленої задачі, включаючи архітектури згорткових нейронних мереж (ResNet, EfficientNet, DenseNet), методологію трансферного навчання, систему попередньої обробки та аугментації даних. У третьому розділі описано розробку системи, включаючи детальний опис набору даних BreakHis та програмну реалізацію системи. У четвертому розділі проведено аналіз отриманих результатів, описано керівництво користувача та результати тестування. В результаті було розроблено інтелектуальну систему класифікації гістологічних зображень на основі згорткових нейронних мереж, яка досягла високої точності і може використовуватися в медичних науково-дослідних установах та патологічних лабораторіях для підтримки прийняття діагностичних рішень. The relevance of the study lies in the need for highly accurate and effective tools for analyzing histological images. Automating this process using machine learning methods can significantly improve diagnostic accuracy, reduce the workload on pathologists, and minimize the influence of subjective factors. The object of the study is the processes of automated classification of histological images for the diagnosis of cancer. The subject of the study is machine learning algorithms for the classification of cancer cell images. The goal of the study is to develop an intelligent system capable of automatically classifying histological images of breast cells as benign or malignant with high accuracy. The explanatory note consists of an introduction, four chapters, a conclusion, and appendices. The first chapter analyzes the subject area, examines current approaches and existing solutions in the field of automated classification of histological images, and formulates the problem. The second chapter discusses algorithms, models, methods, and information technologies for solving the problem, including convolutional neural network architectures (ResNet, EfficientNet, DenseNet), transfer learning methodology, and a system for preprocessing and augmenting data. The third chapter describes the development of the system, including a detailed description of the BreakHis dataset and the software implementation of the system. The fourth chapter analyzes the results obtained, describes the user manual, and presents the test results. As a result, an intelligent system for classifying histological images based on convolutional neural networks was developed, which achieved high accuracy and can be used in medical research institutions and pathology laboratories to support diagnostic decision-making.