КОНКАТЕНАЦІЯ МОДЕЛЕЙ EFFICIENTNETB7 ТА RESNET50 В ЗАДАЧІ КЛАСИФІКАЦІЇ ОФТАЛЬМОЛОГІЧНИХ ЗАХВОРЮВАНЬ ДІАБЕТИЧНОГО ПОХОДЖЕННЯ
DOI:
https://doi.org/10.31891/csit-2024-4-8Ключові слова:
згорткова нейронна мережа, штучний інтелект, машинне навчання, офтальмологічні захворюванняАнотація
Діагностика офтальмологічних захворювань діабетичного походження лікарями за допомогою медичного обладнання вимагає значних ресурсів. Доцільно використовувати автоматизовані засоби. Використання комбінацій моделей покращує точність класифікації.
Наведено особливості архітектур згорткових нейронних мереж EfficientNetB7 та ResNet50. Обґрунтовано створення нейромережевої моделі шляхом конкатенації моделей EfficientNetB7 та ResNet50. Застосовано трансферне навчання. Шар GlobalAveragePooling2D додано до кожної моделі. Моделі об’єднуються за допомогою шару Concatenatе. Шар Flatten додано до отриманої моделі для перетворення вектору в одновирмірний масив.
Два шари Dropout додано для запобігання перенавчання. Два шари Dense з 512 та 256 нейронами та активаційною функцією ReLU додано для нелінійної трансформації даних та виділення абстрактних ознак. Шар Dense з 4 нейронами та функцією активації softmax додано для визначення класу зображення. l2-регуляризацію використано у всіх шарах Dense. Розроблена нейромережева модель застосована для обробки набору даних з 4 класів: зображення з катарактою, зображення з діабетичною ретинопатією, зображення з глаукомою, зображення здорової сітківки ока. Модель компілюється з використанням оптимізатора Adam, функції втрат категоріальна крос-ентропія.
Функції зворотного виклику ModelCheckpoint, LearningRateScheduler, EarlyStopping, ReduceLROnPlateau застосовано для коригування швидкості навчання. Валідаційна точність моделі покращена аугментацією (горизонтальне та вертикальне перевертання), використанням l2-регуляризації, Dropout та налаштуванням функцій зворотного виклику. Навчання тривало 30 епох. Найкраща валідаційна точність 97,39% досягнута на 29 епосі.
Найкраще значення валідаційної функції витрат 0.4323 досягнуто на 30 епосі. Запропонована нейромережева модель перевершує показники точності моделей, запропонованих в аналогічних дослідженнях. Модель може бути застосована для задач виявлення та класифікації захворювань.
