Соколенко, Ольга ВіталіївнаДанілова, Валентина Анатоліївна2023-07-202023-07-202023Соколенко, О. Виявлення та класифікація пухлин молочної залози з використанням глибинного навчання / Соколенко Ольга Віталіївна, Данілова Валентина Анатоліївна // Біомедична інженерія і технологія. – 2023. – № 10. – С. 52-61. – Бібліогр.: 21 назва.2707-8434https://ela.kpi.ua/handle/123456789/58425За даними GLOBOCAN, рак молочної залози – це найпоширеніший вид раку серед всього населення. Серед жіночого населення він становить 24,5% від усіх випадків захворювання на рак та налічує 15,5% смертей від онкологічних захворювань. Для скринінгу на рак молочної залози найчастіше використовують мамографію. Тому проведення точного аналізу мамограм – це важлива, але складна задача. Правильність аналізу мамограм залежить від багатьох факторів: від досвіду лікаря, щільності молочних залоз, морфології та розташування пухлин. Тому для пришвидшення і покращення інтерпретації мамограм важливо використовувати комп’ютерні засоби аналізу мамограм, що допомагають у трактуванні зображення, прийнятті рішень щодо необхідності проведення додаткових обстежень та постановці діагнозу. Мета даної роботи – розробити систему для виявлення та класифікації пухлин молочної залози, засновану на глибинному навчанні. Для цього було використано модель YOLO- V4 для виявлення пухлин та модель Inception-V3 для класифікації пухлин відповідно до BI-RADS класифікації. У роботі було використаний набір даних INbreast, проведено його попередню обробку та поділено у співвідношенні 80/20 – 80% для навчання, 20% для тестування. В результаті навчання YOLO-V4 було отримано значення точності 93%, повноти 82% і mAP 86,6%; Inception-V3 – точність 82,61%, влучність 90%, повнота 78,26%.ukрак молочної залозизгорткові нейронні мережіYOLOInception-V3виявлення пухлин молочної залозикласифікація пухлин молочної залозиbreast cancerconvolutional neural networksbreast mass detectionbreast mass classificationВиявлення та класифікація пухлин молочної залози з використанням глибинного навчанняReast masses detection and classification using deep learningArticlePp. 52-61https://doi.org/10.20535/2617-8974.2023.10.281430004.81 + 616-0060009-0007-7514-62490000-0003-3009-6421