Автоматизація діагностики класифікації станів захворювань шкіри по медичним зображенням
Тип публікації :
Магістерська робота
Дата випуску :
травень 2026 р.
Автор(и) :
Васильчук, Олександр Олександрович
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Васильчук, О. О. (2026). Автоматизація діагностики класифікації станів захворювань шкіри по медичним зображенням [Магістерська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/29063
[ДСТУ] Васильчук О. О. Автоматизація діагностики класифікації станів захворювань шкіри по медичним зображенням : кваліфікаційна робота магістра : E6 Прикладна фізика та наноматеріали / наук. кер. В. В. Кириченко. Київ, 2026. 72 с. URL: https://ir.library.knu.ua/handle/15071834/29063 (дата звернення: 06.08.2026).
У межах дослідження було здійснено ґрунтовний огляд сучасних підходів до автоматизації діагностики та класифікації захворювань шкіри на основі цифрових медичних зображень. На тлі зростання захворюваності на рак шкіри та обмеженої доступності висококваліфікованої дерматоскопічної експертизи, розробка інтелектуальних систем підтримки прийняття рішень стає критично важливою. У літературі підкреслюється, що традиційні методи візуального огляду поступово доповнюються алгоритмами комп’ютерного зору, які дозволяють нівелювати суб’єктивізм діагностики та виявляти патології на ранніх стадіях. Це обумовлює підвищений інтерес до глибокого навчання, зокрема до згорткових нейронних мереж, які демонструють високу точність у розпізнаванні складних морфологічних ознак новоутворень. У межах дослідження було проаналізовано сучасні архітектури глибокого навчання, зокрема ResNet, DenseNet та EfficientNet, які завдяки механізмам залишкових зв'язків (residual connections) та щільних з'єднань дозволяють ефективно екстрагувати складні морфологічні ознаки з медичних зображень. Оскільки для точної діагностики модель повинна демонструвати інваріантність до варіативності освітлення та технічних артефактів зйомки, було застосовано стратегію перенесення знань (transfer learning) на основі ваг, попередньо оптимізованих на масштабному наборі даних ImageNet. Практична реалізація цього підходу в межах проєкту полягала у збереженні структури базових блоків екстракції ознак із одночасною адаптацією архітектури під конкретну задачу: стандартний повнозв'язний шар (fully connected layer), розрахований на 1000 класів, було повністю замінено на новий лінійний класифікатор із сімома виходами, що відповідає кількості типів патологій у датасеті HAM10000. Таке архітектурне рішення дозволило використати вже сформовані високорівневі фільтри для ідентифікації специфічних візуальних паттернів шкірних захворювань, значно прискорюючи збіжність моделі та підвищуючи стабільність класифікації навіть за умов обмеженої кількості навчальних прикладів.
Особливий акцент у роботі зроблено на проблемі дисбалансу класів, яка є характерною для медичного датасету HAM10000. У звіті наведено результати досліджень, які демонструють, що використання стандартних функцій втрат часто призводить до ігнорування рідкісних, але критично важливих патологій, таких як меланома. Як ефективне рішення розглянуто впровадження Focal Loss — функції, що динамічно масштабує втрати, фокусуючи навчання на складних для класифікації прикладах. Це дозволяє суттєво підвищити чутливість моделі до малочисельних класів, що є ключовим фактором для клінічної безпеки та зменшення кількості хибнонегативних результатів. У звіті також були розглянуті методи попередньої обробки даних та аугментації, включаючи геометричні трансформації та кольорову корекцію. Такі підходи дозволяють штучно розширити тренувальну вибірку та навчити модель ігнорувати несуттєві деталі, зосереджуючись на діагностичних ознаках. Сучасні дослідження свідчать, що синергія правильної нормалізації за стандартами ImageNet та використання адаптивних оптимізаторів, таких як Adam, дозволяє досягти стабільного навчання навіть без використання спеціалізованих графічних прискорювачів, що робить розробку доступною для широкого впровадження. Наприкінці роботи розглянуто роль методів інтерпретованості ШІ, зокрема алгоритму Grad-CAM, у верифікації прийнятих моделлю рішень. Grad-CAM дозволяє візуалізувати зони інтересу нейронної мережі у вигляді теплових карт, підтверджуючи, що класифікація базується саме на зоні ураження шкіри, а не на сторонніх шумах чи фоні. Це забезпечує прозорість роботи системи та формує довіру з боку медичного персоналу. Таким чином, звіт узагальнює технологічний стек і методологію створення високоефективного класифікатора, формуючи наукову основу для подальшого вдосконалення діагностичних систем на основі інтелектуального аналізу медичних зображень.
Особливий акцент у роботі зроблено на проблемі дисбалансу класів, яка є характерною для медичного датасету HAM10000. У звіті наведено результати досліджень, які демонструють, що використання стандартних функцій втрат часто призводить до ігнорування рідкісних, але критично важливих патологій, таких як меланома. Як ефективне рішення розглянуто впровадження Focal Loss — функції, що динамічно масштабує втрати, фокусуючи навчання на складних для класифікації прикладах. Це дозволяє суттєво підвищити чутливість моделі до малочисельних класів, що є ключовим фактором для клінічної безпеки та зменшення кількості хибнонегативних результатів. У звіті також були розглянуті методи попередньої обробки даних та аугментації, включаючи геометричні трансформації та кольорову корекцію. Такі підходи дозволяють штучно розширити тренувальну вибірку та навчити модель ігнорувати несуттєві деталі, зосереджуючись на діагностичних ознаках. Сучасні дослідження свідчать, що синергія правильної нормалізації за стандартами ImageNet та використання адаптивних оптимізаторів, таких як Adam, дозволяє досягти стабільного навчання навіть без використання спеціалізованих графічних прискорювачів, що робить розробку доступною для широкого впровадження. Наприкінці роботи розглянуто роль методів інтерпретованості ШІ, зокрема алгоритму Grad-CAM, у верифікації прийнятих моделлю рішень. Grad-CAM дозволяє візуалізувати зони інтересу нейронної мережі у вигляді теплових карт, підтверджуючи, що класифікація базується саме на зоні ураження шкіри, а не на сторонніх шумах чи фоні. Це забезпечує прозорість роботи системи та формує довіру з боку медичного персоналу. Таким чином, звіт узагальнює технологічний стек і методологію створення високоефективного класифікатора, формуючи наукову основу для подальшого вдосконалення діагностичних систем на основі інтелектуального аналізу медичних зображень.
Ключові слова :
автоматизація діагностики класифікація захворювань шкіри HAM10000 глибоке навчання згорткові нейронні мережі ResNet DenseNet EfficientNet PyTorch Focal Loss дисбаланс класів аугментація даних Grad-CAM інтерпретованість ШІ комп'ютерний зір медичні зображення transfer learning інтелектуальні системи аналізу
Галузі знань та спеціальності :
E6 Прикладна фізика та наноматеріали
Галузі науки і техніки (FOS) :
Медичні лабораторні технології (в т.ч. діагностичні технології аналізу лабораторних зразків)
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
2.36 MB
Контрольна сума :
(MD5):888e40703cdd1c03225952e794a4b9b3
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International