Сравнение сверточных нейронных сетей InceptionV3, DenseNet201 и ResNet50 в задаче классификации кожных новообразований

Abstract

В данной работе рассматривается применение методов машинного обучения для диагностики кожных новообразований с использованием дерматоскопических изображений. Для обучения моделей использован датасет HAM10000, содержащий 10 015 изображений двух категорий: доброкачественные и злокачественные новообразования. Использовались предварительно обученные архитектуры DenseNet201, InceptionV3 и ResNet50, которые были адаптированы для задачи классификации кожных новообразований путем замены верхних слоёв на кастомные. Для повышения точности модели применялись методы аугментации данных, включая повороты, сдвиги и отражения изображений. Результаты показали, что модель DenseNet201 демонстрирует лучшие показатели точности по срвнению с другими архитектурами, что подтверждает высокую эффективность применения методов машинного обучения для автоматизированной диагностики кожных заболеваний, включая злокачественную меланому и другие злокачественные новообразования.