СРАВНИТЕЛЬНЫЙ АНАЛИЗ И ОЦЕНКА ЭФФЕКТИВНОСТИ СВЕРТОЧНЫХ И ТРАНСФОРМЕРНЫХ АРХИТЕКТУР ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ МНОГОКЛАССОВОЙ КЛАССИФИКАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ

Аннотация

Точное определение глубины и площади ожогового поражения — это ключ к правильному выбору метода лечения. Обычно врачи полагаются на визуальную оценку, что зачастую бывает субъективным и может привести к разногласиям между специалистами, а также снизить точность диагностики. Хотя за последние годы активно развиваются методы глубокого обучения для анализа медицинских изображений, потенциал трансформерных моделей в определении степени тяжести ожогов остается недостаточно исследованным. В нашей работе мы предложили новый подход к автоматической классификации ожогов, основанный на современных архитектурах глубокого обучения. Мы использовали технологии трансферного обучения с предварительно обученными весами, а также применяли аугментацию данных для повышения надежности модели. Для обучения выбрали оптимизатор AdamW и внедрили динамическое управление скоростью обучения, чтобы сделать модель более устойчивой и способной к обобщению. В рамках исследований протестировали разные архитектуры — и сверточные нейронные сети, и трансформеры. Лучший результат показала трансформерная модель, достигшая точности 94,2%, благодаря способности эффективно учитывать как локальные текстурные детали, так и глобальные контекстные признаки