В данной работе рассмотрены актуальные архитектуры нейронных сетей, применяемые для классификации рака молочной железы по гистологическим микрофотографиям. Главной целью исследования было проведение расширенного тестирования обученных моделей на данных, которые принципиально будут отличаться от обучающего датасета. В качестве данных для обучения был выбран крупный российский датасет с классификацией гистологических микрофотографий по характеру поражения, а в качестве тестовых данных выступили данные из этого же датасета, но с измененными параметрами. Для обучения были выбраны модели ResNet 152, DenseNet 121, Inception_resnet_v2. Для обучения был применен подход transfer learning. Предобработка изображений перед обучением состояла в нормализации значений всех каналов изображения в диапазоне от 0 до 1. По итогу тестирования была выявлена проблема с классификацией изображений с изменениями в балансе цвета, контрастности и яркости. Эти изменения привели к значительному ухудшению метрик. Из проведенных тестов сделан вывод, что для качественного обучения моделей с целью классификации рака молочной железы недостаточно элементарной нормализации, ведь она делает модели неустойчивыми к изменениям изображений, которые могут встретиться на практике.

Ключевые слова: нейронная сеть, модель, машинное обучение, рак молочной железы, классификация рака, искусственный интеллект, transfer learning, гистологическая микрофотография

2.3.1 - Системный анализ, управление и обработка информации , 3.1.6 - Онкология, лучевая терапия

Проблема человеческого самопознания является очень актуальной в наши дни. Люди постоянно ищут новые методы для изучения собственного “Я”. Графология - один из таких методов. Основной сложностью графологического анализа является отсутствие автоматизации процесса, результат зависит только от знаний человека. Кроме того, на данный момент не существует сервиса, способного осуществить грамотный анализ по почерку человека. Однако есть методы компьютерного зрения, которые в комбинации способны произвести работу, схожую с работой графолога. К таким методам относятся сегментация, бинаризация и методы интегральной оценки. Для сопоставления характеристик почерка с человеческими особенностями характера необходимо применять классификаторы. Применение всех методов дает возможность создать сервис, который автоматизирует графологический анализ.

Ключевые слова: графология, почерк, личностные характеристики, графологический анализ, наклон, направление почерка, текст

2.3.1 - Системный анализ, управление и обработка информации , 5.3.1 - Общая психология