ПРИМЕНЕНИЕ И ИНТЕРПРЕТАЦИЯ ГЛУБИННЫХ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ СЕГМЕНТАЦИИ ДВУМЕРНЫХ ЭХОКАРДИОГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ СЕРДЦА
Аннотация
В работе представлены методы, позволяющие улучшить процесс обучения и результаты
решения задачи сегментации двумерных эхокардиографических изображений сердца.
Исследуется техника переносного обучения, реализуемая в архитектуре U-Net в
качестве кодировщиков c блоками сетей EfficientNet, MobileNet, ResNet, предобученных на
ImageNet наборе данных. Такой подход позволяет сократить время обучения и улучшить результаты
сегментации по сравнению с оригинальной U-Net и её модификациями: U-Net 1 и U-Net 2.
Также рассмотрены различные функции потерь и их влияние на сходимость сети и результаты,
выраженное в меньшей степени, чем переносное обучение, но все же позволяющее улучшить точность.
Дополнительно использованы методы интерпретации моделей для убеждения в правильности их работы
и полученных результатов. Такие алгоритмы интерпретации позволяют сделать глубокие нейронные сети
более прозрачными и безопасными, а в медицинской сфере - важными и необходимыми.
Таким образом, в работе произведено решение задачи сегментирования структур сердца на изображении
с помощью современных методов глубокого обучения и алгоритмов интерпретации моделей.
The paper presents methods to improve the learning process and the results of solving
the problem of segmentation two-dimensional echocardiographic cardiac images.
The transfer learning technique is studied which is implemented in the U-Net architecture as encoder
with blocks of EfficientNet, MobileNet, ResNet networks pretrained on the ImageNet data set.
This approach reduces training time and improves segmentation results compared to the original U-Net
and its modifications: U-Net 1 and U-Net 2. Various loss functions and their impact on network
convergence and results are also considered, which are less pronounced than transfer learning,
but still allow to improve accuracy. In addition, model interpretation methods were used to verify
their correct operation and obtained results. Such interpretation algorithms make deep neural networks
more transparent and secure and in the medical field - important and necessary.
Thus, in this work the problem of cardiac image segmentation was solved using modern
methods of deep learning and model interpretation algorithms.
решения задачи сегментации двумерных эхокардиографических изображений сердца.
Исследуется техника переносного обучения, реализуемая в архитектуре U-Net в
качестве кодировщиков c блоками сетей EfficientNet, MobileNet, ResNet, предобученных на
ImageNet наборе данных. Такой подход позволяет сократить время обучения и улучшить результаты
сегментации по сравнению с оригинальной U-Net и её модификациями: U-Net 1 и U-Net 2.
Также рассмотрены различные функции потерь и их влияние на сходимость сети и результаты,
выраженное в меньшей степени, чем переносное обучение, но все же позволяющее улучшить точность.
Дополнительно использованы методы интерпретации моделей для убеждения в правильности их работы
и полученных результатов. Такие алгоритмы интерпретации позволяют сделать глубокие нейронные сети
более прозрачными и безопасными, а в медицинской сфере - важными и необходимыми.
Таким образом, в работе произведено решение задачи сегментирования структур сердца на изображении
с помощью современных методов глубокого обучения и алгоритмов интерпретации моделей.
The paper presents methods to improve the learning process and the results of solving
the problem of segmentation two-dimensional echocardiographic cardiac images.
The transfer learning technique is studied which is implemented in the U-Net architecture as encoder
with blocks of EfficientNet, MobileNet, ResNet networks pretrained on the ImageNet data set.
This approach reduces training time and improves segmentation results compared to the original U-Net
and its modifications: U-Net 1 and U-Net 2. Various loss functions and their impact on network
convergence and results are also considered, which are less pronounced than transfer learning,
but still allow to improve accuracy. In addition, model interpretation methods were used to verify
their correct operation and obtained results. Such interpretation algorithms make deep neural networks
more transparent and secure and in the medical field - important and necessary.
Thus, in this work the problem of cardiac image segmentation was solved using modern
methods of deep learning and model interpretation algorithms.