Automatická klasifikace částí těla v rentgenových snímcích pomocí neuronových sítí

Abstract

Táto bakalárska práca skúma zlepšenie klasifikácie röntgenových snímok pomocou konvolučných neurónových sietí (CNN), ako sú VGG, ResNet, DenseNet a mnohé ďalšie, pričom sa zameriava na riešenie nevyváženosti tried a nedostatku údajov prostredníctvom váženia tried a rozširovania údajov. Cieľom týchto metód bolo zlepšiť diagnostickú presnosť a robustnosť modelov v lekárskom zobrazovaní. Štúdia preukázala, že váženie tried účinne riadi nerovnováhu tried, zatiaľ čo techniky rozšírenia zabraňujú nadmernému prispôsobeniu, čím sa zvyšuje zovšeobecniteľnosť a spoľahlivosť modelu. Tieto zistenia naznačujú, že cielené stratégie hlbokého učenia môžu výrazne zlepšiť výkonnosť CNN v lekárskej diagnostike, čo ponúka podstatné výhody pre klinické aplikácie.

This thesis explores the enhancement of X-ray image classification using Convolutional Neural Networks (CNNs) like VGG, ResNet, DenseNet and many more, focusing on addressing class imbalance and data scarcity through class weighting and data augmentation. These methods aimed to improve the diagnostic accuracy and robustness of models in medical imaging. The study demonstrated that class weighting effectively manages class imbalances, while augmentation techniques prevent overfitting, thus enhancing model generalizability and reliability. These findings suggest that targeted deep learning strategies can significantly improve CNN performance in medical diagnostics, offering substantial benefits for clinical applications.