Метод Transfer learing в задаче бинарной классификации рентгеновских снимков грудной клетки.

Возможность высокоточного и быстрого определения патологий на рентгеновских снимках грудной клетки позволяет на ранних стадиях обнаружить развитие пневмонии и приступить к незамедлительному лечению. Искусственный интеллект может позволить ускорить и качественно улучшить процедуру рентгенологического анализа и давать рекомендации врачу для дополнительного рассмотрения подозрительных снимков.

Целью данного исследования является определение наилучших моделей и реализаций метода переноса обучения в задаче бинарной классификации при наличии малого объема тренировочных данных. В данном проекте рассмотрены различные способы аугментации исходных данных и подходы к обучению моделей ResNet и DanseNet для черно-белых рентгенологических изображений, выявлены те подходы, которые способствуют получению самых высоких результатов точности определения случаев пневмонии и нормы на этапе тестирования.

---

В качестве данных для проведения исследований был взят датасет рентгеновских снимков с сайта Kaggle - "Chest X-Ray Images Pneumonia"

Рисунок - Пример изображений из датасета Chest X-Ray Images (Pneumonia)

Решение данного проекта представлено в формате трех идущих друг за другом jupiter ноутбуков + опубликованный препринт на платформе arXiv.org:

1. Проведение предворительной обработки и аугментации изображений + создание кастомной сверточной сети - Preprocessing_&_custom_DL_model.ipynb
2. Проведение экспериментов с transfer learning сети ResNet-18 - Transfer_learning_ResNet.ipynb
3. Проведение экспериментов с transfer learning сети DenseNet-121 - Transfer_learning_DenseNet121.ipynb

• Препринт "Transfer learning method in the problem of binary classification of chest X-rays"