DOI: https://doi.org/10.32515/2664-262X.2025.12(43).2.55-61
Експериментальний аналіз ефективності глибоких нейронних мереж для автоматизованої класифікації об'єктів за зображеннями МРТ
Про авторів
Угрин Дмитро Ілліч, професор, доктор технічних наук, професор кафедри комп’ютерних наук, Чернівецький національний університет імені Юрія Федьковича, м. Чернівці, Україна, ORCID: https://orcid.org/0000-0003-4858-4511, e-mail: d.ugryn@chnu.edu.ua
Доренський Олександр Павлович , доцент, кандидат технічних наук, доцент кафедри кібербезпеки та програмного забезпечення, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0002-7625-9022, e-mail: dorenskyiop@kntu.kr.ua
Іл’юк Олексій Дмитрович , старший системний та бізнесовий аналітик, ТОВ «ТЕМАБІТ», м. Київ, Україна, ORCID: https://orcid.org/0000-0002-0904-3045, e-mail: olexiyilyukm@gmail.com
Ушенко Юрій Олександрович , професор, доктор фізико-математичних наук, завідувач кафедри Комп’ютерних наук, Чернівецький національний університет імені Юрія Федьковича, м. Чернівці, Україна, ORCID: https://orcid.org/0000-0003-1767-1882, e-mail: y.ushenko@chnu.edu.ua
Шкідіна Катерина Сергіївна , здобувачка вищої освіти на другому (магістерському) рівні за спеціальністю «Комп'ютерні науки», Чернівецький національний університет імені Юрія Федьковича, м. Чернівці, Україна, ORCID: https://orcid.org/0009-0001-8536-8095, e-mail: shkidina.kateryna@chnu.edu.ua
Анотація
У праці представлено результати системного аналізу та порівняльного дослідження ефективності сучасних глибоких нейронних мереж ResNet50, DenseNet121 та EfficientNet-B0 для задачі автоматизованої класифікації пухлин головного мозку за цифровими зображеннями МРТ. Експериментальна частина ґрунтується на медичному наборі даних, попередньо підданому стандартним методам аугментації та нормалізації. Кількісні результати показали, що ResNet50 досягла точності 92%, DenseNet121 – 74%, а EfficientNet-B0 продемонструвала найвищий результат із точністю 97%. Додаткові якісні метрики підтвердили отримані висновки: показник F1-міри для EfficientNet-B0 склав 0,96, що свідчить про баланс між точністю та повнотою, тоді як ResNet50 забезпечила F1-міру на рівні 0,91, а DenseNet121 – 0,73. Візуалізація результатів класифікації продемонструвала, що всі моделі правильно визначають клас пухлини, проте рівень впевненості відрізняється: від 0,74 у DenseNet121 до 0,97 у EfficientNet-B0. Якісний аналіз підтвердив доцільність застосування EfficientNet-B0 у випадках, де пріоритетом є швидка та точна інференція за обмежених обчислювальних ресурсів. ResNet50, попри вищі обчислювальні витрати, може бути ефективною для задач, де потрібна стійкість і максимальна точність. Отримані результати свідчать про значний потенціал використання глибоких моделей у медичній діагностиці та створенні інтелектуальних систем підтримки прийняття рішень у нейрорадіології.
Ключові слова
ШІ, машинне навчання, згорткові нейронні мережі, переносне навчання, глибоке навчання, класифікація зображень, медична діагностика
Повний текст:
PDF
Посилання
1. Ferlay, J., Ervik, M., Lam, F., Colombet, M., Mery, L., Piñeros, M., … Bray, F. (2022). Global Cancer Observatory: Cancer today (GLOBOCAN 2022). International Agency for Research on Cancer. gco.iarc.fr/today.
2. American Brain Tumor Association. (2022). Brain tumor statistics: CBTRUS statistical report 2017–2021. https://cbtrus.org/factsheet/factsheet.html.
3. Alford, K., & Ohgaki, H. (2022). WHO classification of central nervous system tumours: 5th edition and beyond.
Brain Pathology, 32(5), e13062. https://doi.org/10.1111/bpa.13062.
4. Kazerooni, A. F., Moradi, S., Vafaei, A. A., & Ahmadi, M. (2021). Deep learning for brain tumor classification and segmentation in radiology: A systematic review. Journal of Magnetic Resonance Imaging, 54(6), 1623–1645. https://doi.org/10.1002/jmri.27601.
5. Pei, L., Vidyaratne, L., & Iftekharuddin, K. M. (2022). Brain tumor classification using deep learning models: A comprehensive survey. Neurocomputing, 489, 84–109. https://doi.org/10.1016/j.neucom.2022.03.022.
6. Zhou, T., Ruan, S., Canu, S., & Vera, P. (2020). Brain tumor classification using convolutional neural networks in MRI images. Medical Image Analysis, 68, 101894. https://doi.org/10.1016/j.media.2020.101894.
7. Ranjbarzadeh, R., Maroufi, S. F., & Khadem, S. E. (2023). Deep learning-based brain tumor classification: A comprehensive review. Computers in Biology and Medicine, 154, 106601. https://doi.org/10.1016/j.compbiomed.2023.106601.
8. Bakas, S., Reyes, M., Jakab, A., Bauer, S., Rempfler, M., Crimi, A., … Menze, B. H. (2023). The Brain Tumor Segmentation (BraTS) challenge 2023: Advances and future directions. Frontiers in Radiology, 3, 1206789. https://doi.org/10.3389/fradi.2023.1206789.
9. Shboul, Z. A., Chen, J., & Iftekharuddin, K. M. (2021). Glioma classification using deep convolutional neural networks. Journal of Medical Imaging, 8(5), 054502. https://doi.org/10.1117/1.JMI.8.5.054502.
10. Wen, P. Y., Weller, M., Lee, E. Q., Alexander, B. M., Barnholtz-Sloan, J. S., Barthel, F. P., … Aldape, K. D. (2021). Glioblastoma in adults: A Society for Neuro-Oncology (SNO) and European Society of Neuro-Oncology (EANO) consensus review on current management and future directions. Neuro-Oncology, 22(8), 1073–1113. https://doi.org/10.1093/neuonc/noaa106.
11. Dorenskyi, O., Drobko, O., & Drieiev, O. (2022). Improved Model and Software of the Digital Information Service of the Municipal Health Care Institutions. Tsentralnoukrainskyi naukovyi visnyk, II(5). https://doi.org/10.32515/2664-262X.2022.5(36).2.3-10.
Пристатейна бібліографія ДСТУ
1. Ferlay J., Ervik M., Lam F., Colombet M., Mery L., Piñeros M., Bray F. Global Cancer Observatory: Cancer today (GLOBOCAN 2022). International Agency for Research on Cancer. 2022. URL: gco.iarc.fr/today.
2. American Brain Tumor Association. Brain tumor statistics: CBTRUS statistical report 2017–2021. 2022. URL: https://cbtrus.org/factsheet/factsheet.html.
3. Alford K., Ohgaki H. WHO classification of central nervous system tumours: 5th edition and beyond. Brain Pathology. 2022. Vol. 32, № 5. e13062. DOI: https://doi.org/10.1111/bpa.13062.
4. Kazerooni A. F., Moradi S., Vafaei A. A., Ahmadi M. Deep learning for brain tumor classification and segmentation in radiology: A systematic review. Journal of Magnetic Resonance Imaging. 2021. Vol. 54, № 6. P. 1623–1645. DOI: https://doi.org/10.1002/jmri.27601.
5. Pei L., Vidyaratne L., Iftekharuddin K. M. Brain tumor classification using deep learning models: A comprehensive survey. Neurocomputing. 2022. Vol. 489. P. 84–109. DOI: https://doi.org/10.1016/j.neucom.2022.03.022.
6. Zhou T., Ruan S., Canu S., Vera P. Brain tumor classification using convolutional neural networks in MRI images. Medical Image Analysis. 2020. Vol. 68. 101894. DOI: https://doi.org/10.1016/j.media.2020.101894.
7. Ranjbarzadeh R., Maroufi S. F., Khadem S. E. Deep learning-based brain tumor classification: A comprehensive review. Computers in Biology and Medicine. 2023. Vol. 154. 106601. DOI: https://doi.org/10.1016/j.compbiomed.2023.106601.
8. Bakas S., Reyes M., Jakab A., Bauer S., Rempfler M., Crimi A., … Menze B. H. The Brain Tumor Segmentation (BraTS) challenge 2023: Advances and future directions. Frontiers in Radiology. 2023. Vol. 3. 1206789. DOI: https://doi.org/10.3389/fradi.2023.1206789.
9. Shboul Z. A., Chen J., Iftekharuddin K. M. Glioma classification using deep convolutional neural networks. Journal of Medical Imaging. 2021. Vol. 8, № 5. 054502. DOI: https://doi.org/10.1117/1.JMI.8.5.054502.
10. Wen P. Y., Weller M., Lee E. Q., Alexander B. M., Barnholtz-Sloan J. S., Barthel F. P., … Aldape K. D. Glioblastoma in adults: A Society for Neuro-Oncology (SNO) and European Society of Neuro-Oncology (EANO) consensus review on current management and future directions. Neuro-Oncology. 2021. Vol. 22, № 8. P. 1073– 1113. DOI: https://doi.org/10.1093/neuonc/noaa106.
11. Dorenskyi O., Drobko O., Drieiev O. Improved Model and Software of the Digital Information Service of the Municipal Health Care Institutions. Центральноукраїнський науковий вісник. 2022. Т. ІІ, Вип. 5. DOI: https://doi.org/10.32515/2664-262X.2022.5(36).2.3-10.
Copyright (c) 2025 Д. І. Угрин, О. П. Доренський, О. Д. Іл’юк, Ю. О. Ушенко, К. С. Шкідіна
Експериментальний аналіз ефективності глибоких нейронних мереж для автоматизованої класифікації об'єктів за зображеннями МРТ
Про авторів
Угрин Дмитро Ілліч, професор, доктор технічних наук, професор кафедри комп’ютерних наук, Чернівецький національний університет імені Юрія Федьковича, м. Чернівці, Україна, ORCID: https://orcid.org/0000-0003-4858-4511, e-mail: d.ugryn@chnu.edu.ua
Доренський Олександр Павлович , доцент, кандидат технічних наук, доцент кафедри кібербезпеки та програмного забезпечення, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0002-7625-9022, e-mail: dorenskyiop@kntu.kr.ua
Іл’юк Олексій Дмитрович , старший системний та бізнесовий аналітик, ТОВ «ТЕМАБІТ», м. Київ, Україна, ORCID: https://orcid.org/0000-0002-0904-3045, e-mail: olexiyilyukm@gmail.com
Ушенко Юрій Олександрович , професор, доктор фізико-математичних наук, завідувач кафедри Комп’ютерних наук, Чернівецький національний університет імені Юрія Федьковича, м. Чернівці, Україна, ORCID: https://orcid.org/0000-0003-1767-1882, e-mail: y.ushenko@chnu.edu.ua
Шкідіна Катерина Сергіївна , здобувачка вищої освіти на другому (магістерському) рівні за спеціальністю «Комп'ютерні науки», Чернівецький національний університет імені Юрія Федьковича, м. Чернівці, Україна, ORCID: https://orcid.org/0009-0001-8536-8095, e-mail: shkidina.kateryna@chnu.edu.ua
Анотація
Ключові слова
Повний текст:
PDFПосилання
1. Ferlay, J., Ervik, M., Lam, F., Colombet, M., Mery, L., Piñeros, M., … Bray, F. (2022). Global Cancer Observatory: Cancer today (GLOBOCAN 2022). International Agency for Research on Cancer. gco.iarc.fr/today.
2. American Brain Tumor Association. (2022). Brain tumor statistics: CBTRUS statistical report 2017–2021. https://cbtrus.org/factsheet/factsheet.html.
3. Alford, K., & Ohgaki, H. (2022). WHO classification of central nervous system tumours: 5th edition and beyond.
Brain Pathology, 32(5), e13062. https://doi.org/10.1111/bpa.13062.
4. Kazerooni, A. F., Moradi, S., Vafaei, A. A., & Ahmadi, M. (2021). Deep learning for brain tumor classification and segmentation in radiology: A systematic review. Journal of Magnetic Resonance Imaging, 54(6), 1623–1645. https://doi.org/10.1002/jmri.27601.
5. Pei, L., Vidyaratne, L., & Iftekharuddin, K. M. (2022). Brain tumor classification using deep learning models: A comprehensive survey. Neurocomputing, 489, 84–109. https://doi.org/10.1016/j.neucom.2022.03.022.
6. Zhou, T., Ruan, S., Canu, S., & Vera, P. (2020). Brain tumor classification using convolutional neural networks in MRI images. Medical Image Analysis, 68, 101894. https://doi.org/10.1016/j.media.2020.101894.
7. Ranjbarzadeh, R., Maroufi, S. F., & Khadem, S. E. (2023). Deep learning-based brain tumor classification: A comprehensive review. Computers in Biology and Medicine, 154, 106601. https://doi.org/10.1016/j.compbiomed.2023.106601.
8. Bakas, S., Reyes, M., Jakab, A., Bauer, S., Rempfler, M., Crimi, A., … Menze, B. H. (2023). The Brain Tumor Segmentation (BraTS) challenge 2023: Advances and future directions. Frontiers in Radiology, 3, 1206789. https://doi.org/10.3389/fradi.2023.1206789.
9. Shboul, Z. A., Chen, J., & Iftekharuddin, K. M. (2021). Glioma classification using deep convolutional neural networks. Journal of Medical Imaging, 8(5), 054502. https://doi.org/10.1117/1.JMI.8.5.054502.
10. Wen, P. Y., Weller, M., Lee, E. Q., Alexander, B. M., Barnholtz-Sloan, J. S., Barthel, F. P., … Aldape, K. D. (2021). Glioblastoma in adults: A Society for Neuro-Oncology (SNO) and European Society of Neuro-Oncology (EANO) consensus review on current management and future directions. Neuro-Oncology, 22(8), 1073–1113. https://doi.org/10.1093/neuonc/noaa106.
11. Dorenskyi, O., Drobko, O., & Drieiev, O. (2022). Improved Model and Software of the Digital Information Service of the Municipal Health Care Institutions. Tsentralnoukrainskyi naukovyi visnyk, II(5). https://doi.org/10.32515/2664-262X.2022.5(36).2.3-10.
Пристатейна бібліографія ДСТУ
1. Ferlay J., Ervik M., Lam F., Colombet M., Mery L., Piñeros M., Bray F. Global Cancer Observatory: Cancer today (GLOBOCAN 2022). International Agency for Research on Cancer. 2022. URL: gco.iarc.fr/today.
2. American Brain Tumor Association. Brain tumor statistics: CBTRUS statistical report 2017–2021. 2022. URL: https://cbtrus.org/factsheet/factsheet.html.
3. Alford K., Ohgaki H. WHO classification of central nervous system tumours: 5th edition and beyond. Brain Pathology. 2022. Vol. 32, № 5. e13062. DOI: https://doi.org/10.1111/bpa.13062.
4. Kazerooni A. F., Moradi S., Vafaei A. A., Ahmadi M. Deep learning for brain tumor classification and segmentation in radiology: A systematic review. Journal of Magnetic Resonance Imaging. 2021. Vol. 54, № 6. P. 1623–1645. DOI: https://doi.org/10.1002/jmri.27601.
5. Pei L., Vidyaratne L., Iftekharuddin K. M. Brain tumor classification using deep learning models: A comprehensive survey. Neurocomputing. 2022. Vol. 489. P. 84–109. DOI: https://doi.org/10.1016/j.neucom.2022.03.022.
6. Zhou T., Ruan S., Canu S., Vera P. Brain tumor classification using convolutional neural networks in MRI images. Medical Image Analysis. 2020. Vol. 68. 101894. DOI: https://doi.org/10.1016/j.media.2020.101894.
7. Ranjbarzadeh R., Maroufi S. F., Khadem S. E. Deep learning-based brain tumor classification: A comprehensive review. Computers in Biology and Medicine. 2023. Vol. 154. 106601. DOI: https://doi.org/10.1016/j.compbiomed.2023.106601.
8. Bakas S., Reyes M., Jakab A., Bauer S., Rempfler M., Crimi A., … Menze B. H. The Brain Tumor Segmentation (BraTS) challenge 2023: Advances and future directions. Frontiers in Radiology. 2023. Vol. 3. 1206789. DOI: https://doi.org/10.3389/fradi.2023.1206789.
9. Shboul Z. A., Chen J., Iftekharuddin K. M. Glioma classification using deep convolutional neural networks. Journal of Medical Imaging. 2021. Vol. 8, № 5. 054502. DOI: https://doi.org/10.1117/1.JMI.8.5.054502.
10. Wen P. Y., Weller M., Lee E. Q., Alexander B. M., Barnholtz-Sloan J. S., Barthel F. P., … Aldape K. D. Glioblastoma in adults: A Society for Neuro-Oncology (SNO) and European Society of Neuro-Oncology (EANO) consensus review on current management and future directions. Neuro-Oncology. 2021. Vol. 22, № 8. P. 1073– 1113. DOI: https://doi.org/10.1093/neuonc/noaa106.
11. Dorenskyi O., Drobko O., Drieiev O. Improved Model and Software of the Digital Information Service of the Municipal Health Care Institutions. Центральноукраїнський науковий вісник. 2022. Т. ІІ, Вип. 5. DOI: https://doi.org/10.32515/2664-262X.2022.5(36).2.3-10.
Copyright (c) 2025 Д. І. Угрин, О. П. Доренський, О. Д. Іл’юк, Ю. О. Ушенко, К. С. Шкідіна