Segmentace nádoru prsu s využitím neuronových sítí a zkoumání vlivu rozlišení na přesnost segmentace

Abstract

Tato bakalářská práce se zaměřuje na využití neuronových sítí pro segmentaci prsní tkáně s cílem rozpoznat přítomnost benigních a maligních nádorů, čímž přispívá k včasné detekci rakoviny prsu a možnosti méně invazivní léčby. V rámci experimentů byl zkoumán vliv několika faktorů na přesnost segmentace, konkrétně rozlišení vstupních obrazů (224×224 a 512×512 pixelů), úprava počtu tříd v maskách a použití světelných a kontrastních augmentací. Byly testovány různé architektury neuronových sítí, včetně MobileNet-v2, Xception, Inception-ResNet-v2 a U-Net. Výsledky ukazují, že model Xception dosahoval nejvyšší přesnosti při segmentaci nádorových oblastí, zatímco MobileNet-v2 byl výrazně rychlejší a výpočetně úspornější. Augmentace obrazu měla pozitivní vliv na přesnost některých tříd, zejména při použití kontrastní úpravy. V závěru je navrženo navýšení počtu trénovacích epoch a odborná konzultace s lékařem pro validaci výsledků segmentace.

This bachelor thesis focuses on the use of neural networks for breast tissue segmentation in order to detect the presence of benign and malignant tumors, thus contributing to the early detection of breast cancer and the possibility of less invasive treatment. The experiments investigated the influence of several factors on the segmentation accuracy, namely the resolution of the input images (224×224 and 512×512 pixels), the adjustment of the number of classes in the masks, and the use of light and contrast augmentation. Various neural network architectures were tested, including MobileNet-v2, Xception, Inception-ResNet-v2 and U-Net. The results show that the Xception model achieved the highest accuracy in segmenting tumor regions, while MobileNet-v2 was significantly faster and computationally more efficient. Image augmentation had a positive effect on the accuracy of some classes, especially when contrast enhancement was used. Finally, an increase in the number of training epochs and expert consultation with a physician to validate the segmentation results is suggested.