Нейромережеві методи аналізу планарних зображень в системах автоматизованого скринінгу

Анотація

У наш час активно розвиваються засоби превентивного управління в різних сферах людського життя. Завдання
автоматизованого скринінгу полягає у виявленні прихованих проблем на ранній стадії без втручання людини, тоді як вартість
реагування на них низька. Візуальний огляд часто використовується для виконання скринінгу. Глибокі штучні нейронні мережі
особливо популярні при обробці зображень. Однією з головних проблем при роботі з ними є потреба у великій кількості добре
розмічених даних для навчання. В автоматизованих системах скринінгу доступні нейромережеві підходи мають обмеження по
точності прогнозів через відсутність точно розмічених навчальних даних, оскільки отримання якісної розмітки від професіоналів є
дорогим, а іноді неможливо в принципі. Отже, виникає протиріччя між підвищенням вимог до точності прогнозів моделей
нейронних мереж без збільшення витрачається часу, з одного боку, і необхідністю зниження витрат на отримання розмітки
навчальних даних. У цій роботі ми пропонуємо параметричну модель набору даних сегментації, яка може бути використана для
формування навчальних даних; а також метод многозадачного машинного навчання для навчання і прогнозування глибоких
нейронних мереж в задачі семантичної сегментації. На основі запропонованого методу запропонований підхід полуавтоматіческго
навчання завдання сегментації важливих для класифікації регіонів. Основною перевагою запропонованого методу є те, що він
використовує семантично схожі загальні завдання, які мають кращу маркування, ніж вихідна, що дозволяє користувачам знизити
вартість процесу маркування. В роботі запропоновано використовувати завдання класифікації як більш загальну до завдання
семантичної сегментації. Оскільки семантична сегментація спрямована на класифікацію кожного пікселя вхідного зображення,
класифікація спрямована на присвоєння класу всім пікселям вхідного зображення. Робота методу оцінена, використовуючи
запропоновану модель набору даних, спостерігається поліпшення коефіцієнта Дайса-Соренсена на сімнадцять відсотків. Крім
того, оцінена стійкість запропонованого методу до різній кількості шуму в розмітці, що показало поліпшені результати щодо
методу однозадачних навчання.