Влияние архитектуры CNN, размера и качества изображений на модель, созданную для обнаружения объектов на гистологических препаратах

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.