Implementation of technology for improving the quality of segmentation of medical images by software adjustment of convolutional neural network hyperparameters
| dc.contributor.author | Prochukhan, Dmytro V. | |
| dc.date.accessioned | 2023-07-18T12:24:56Z | |
| dc.date.available | 2023-07-18T12:24:56Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Background. The scientists have built effective convolutional neural networks in their research, but the issue of optimal setting of the hyperparameters of these neural networks remains insufficiently researched. Hyperparameters affect model selection. They have the greatest impact on the number and size of hidden layers. Effective selection of hyperparameters improves the speed and quality of the learning algorithm. It is also necessary to pay attention to the fact that the hyperparameters of the convolutional neural network are interconnected. That is why it is very difficult to manually select the effective values of hyperparameters, which will ensure the maximum efficiency of the convolutional neural network. It is necessary to automate the process of selecting hyperparameters, to implement a software mechanism for setting hyperparameters of a convolutional neural network. The author has successfully implemented the specified task. Objective. The purpose of the paper is to develop a technology for selecting hyperparameters of a convolutional neural network to improve the quality of segmentation of medical images. Methods. Selection of a convolutional neural network model that will enable effective segmentation of medical images, modification of the Keras Tuner library by developing an additional function, use of convolutional neural network optimization methods and hyperparameters, compilation of the constructed model and its settings, selection of the model with the best hyperparameters. Results. A comparative analysis of U-Net and FCN-32 convolutional neural networks was carried out. U-Net was selected as the tuning network due to its higher quality and accuracy of image segmentation. Modified the Keras Tuner library by developing an additional function for tuning hyperparameters. To optimize hyperparameters, the use of the Hyperband method is justified. The optimal number of epochs was selected - 20. In the process of setting hyperparameters, the best model with an accuracy index of 0.9665 was selected. The hyperparameter start_neurons is set to 80, the hyperparameter net_depth is 5, the activation function is Mish, the hyperparameter dropout is set to False, and the hyperparameter bn_after_act is set to True. Conclusions. The convolutional neural network U-Net, which is configured with the specified parameters, has a significant potential in solving the problems of segmentation of medical images. The prospect of further research is the use of a modified network for the diagnosis of symptoms of the coronavirus disease COVID-19, pneumonia, cancer and other complex medical diseases. | uk |
| dc.description.abstractother | Проблематика. В дослідженнях вчених побудовано ефективні згорткові нейронні мережі, але питання оптимального налаштування гіперпараметрів вказаних нейронних мереж залишається недостатньо дослідженим. Гіперпараметри впливають на вибір моделі. Найбільший вплив вони створюють на кількість і розміри прихованих шарів. Ефективний підбір гіперпараметрів покращує швидкість та якість алгоритму навчання. Необхідно також звернути увагу на те, що гіперпараметри згорткової нейроної мережі взаємопов’язані. Саме тому ручний підбір ефективних значень гіперпараметрів, що забезпечить максимальну ефективність згорткової нейронної мережі, здійснити дуже непросто. Потрібно автоматизувати процес підбору гіперпараметрів, реалізувати програмний механізм налаштування гіперпараметрів згорткової нейронної мережі. Автором успішно реалізовано вказану задачу. Мета досліджень. Розробка технології підбору гіперпараметрів згорткової нейронної мережі для покращення якості сегментації медичних зображень. Методика реалізації. Вибір моделі згорткової нейронної мережі, яка дозволить здійснити ефективну сегментацію медичних зображень, модифікація бібліотеки Keras Tuner шляхом розробки додаткової функції, використання методів оптимізації згорткової нейронної мережі і гіперпараметрів, компіляція побудованої моделі та її налаштування, вибір моделі з найкращими гіперпараметрами. Результати досліджень. Здійснено порівняльний аналіз згорткових нейронних мереж U-Net і FCN-32. Обрано U-Net в якості мережі для налаштування завдяки її більш високій якості і точності сегментації зображень. Модифіковано бібліотеку Keras Tuner шляхом розробки додаткової функції для налаштування гіперпараметрів. Для оптимізації гіперпараметрів обґрунтовано використання методу Hyperband. Підібрано оптимальну кількість епох - 20. В процесі налаштування гіперпараметрів обрано найкращу модель з показником точності 0.9665. Значення гіпепараметру start_neurons дорівнює 80, гіперпараметр net_depth дорівнює 5, функція активації – Mish, гіперпараметр dropout набув значення False, а гіперпараметр bn_after_act набув значення True. Висновки. Згорткова нейронна мережа U-Net, яка налаштована з вказаними параметрами, має значний потенціал у вирішенні задач сегментації медичних зображень. Перспективою подальших досліджень є використання модифікованої мережі для діагностики ознак коронавірусної хвороби COVID-19, пневмонії, ракових пухлин та інших складних медичних захворювань. | uk |
| dc.format.pagerange | Pp. 59-63 | uk |
| dc.identifier.citation | Prochukhan, D. Implementation of technology for improving the quality of segmentation of medical images by software adjustment of convolutional neural network hyperparameters / Prochukhan Dmytro V. // Information and telecommunication sciences : international research journal. – 2023. – Vol. 14, N. 1. – Pp. 59-63. – Bibliogr.: 8 ref. | uk |
| dc.identifier.doi | https://doi.org/10.20535/2411-2976.12023.59-63 | |
| dc.identifier.orcid | 0000-0002-4622-1015 | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/58241 | |
| dc.language.iso | en | uk |
| dc.publisher | National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" | uk |
| dc.publisher.place | Kyiv | uk |
| dc.relation.ispartof | Information and telecommunication sciences: international research journal, Vol. 14, N. 1 | uk |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | convolutional neural network | uk |
| dc.subject | image segmentation | uk |
| dc.subject | hyperparameters | uk |
| dc.subject | optimization algorithm | uk |
| dc.subject | згорткова нейронна мережа | uk |
| dc.subject | сегментація зображень | uk |
| dc.subject | гіперпараметри | uk |
| dc.subject | алгоритм оптимізації | uk |
| dc.subject.udc | 004.391 | uk |
| dc.title | Implementation of technology for improving the quality of segmentation of medical images by software adjustment of convolutional neural network hyperparameters | uk |
| dc.title.alternative | Реалізація технології покращення якості сегментації медичних зображень шляхом програмного налаштування гіперпараметрів згорткової нейронної мережі | uk |
| dc.type | Article | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- 282078-650105-1-10-20230615.pdf
- Розмір:
- 350.63 KB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 9.1 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: