MS
MD, Dr. Sci. (Medicine), professor
д-р мед. наук, профессор
Improving convolutional neural network (CNN) quality for object search in histology scans is a long-standing problem that essentially involves selecting the best CNN architecture and creating a high-quality dataset. The efficacy of object detection algorithms is determined by numerous factors, including image quality, image size, and the search object. The primary aim of this study was to identify published studies on the impact of various image characteristics in a training sample and CNN architecture on the quality of a created model. Literature published in the last 5 years was reviewed, which addressed data pre-processing, methodology, requirements to images included in datasets, image preparation for CNN model development, and architecture selection. At the time of the study, there were no requirements to image size, and there was no data on the ratio of object size to image size for the best model performance. Moreover, the selection of neural network architecture is lacking in transparency and algorithmization. In the majority of cases, researchers recommend architectures that they have developed or used themselves, without explaining the reasons and selection criteria or comparing them to alternative options. All these factors significantly complicate the development of CNN models for medical image processing. This paper presents a brief overview of publications that address image preparation for datasets, as well as a potential approach to CNN architecture selection.
Проблема повышения качества свёрточной нейронной сети (англ. convolutional neural network, CNN) в случае поиска объектов на гистологических сканах возникла достаточно давно и сводится прежде всего к выбору оптимальной архитектуры CNN и подготовке датасета надлежащего качества. На работу алгоритмов обнаружения объектов влияют многие факторы, включая качество изображения, размер изображения и самого объекта поиска. Основной целью проведённой работы являлся поиск существующих исследований, демонстрирующих влияние различных характеристик изображений в обучающей выборке и выбора архитектуры CNN на качество создаваемой модели. В качестве исходных материалов для работы была проанализирована литература за последние 5 лет, посвящённая вопросам предварительной обработки данных, методологиям, требованиям к изображениям, включаемым в датасеты, подготовке изображений для создания моделей CNN и вопросам выбора архитектуры. На момент проведения исследования не сформулировано требований к размерам изображений и отсутствуют данные о соотношении размеров объектов и размеров изображения для оптимизации работы модели. Кроме того, задача выбора архитектуры нейронной сети не является прозрачной и алгоритмизированной. В большинстве случаев исследователи рекомендуют те архитектуры, которые сами разрабатывали или использовали, не объясняя ни причины, ни критерии выбора, не сравнивая с альтернативными вариантами. Всё это существенно затрудняет процесс разработки модели CNN для обработки медицинских изображений. В данном обзорном исследовании приводится краткий обзор исследований, посвящённых подготовке изображений для датасета и возможного подхода к выбору архитектуры CNN.