Список литературы

2518-1092

Научный результат. Информационные технологии

2518-1092

10.18413/2518-1092-2025-10-1-0-8

3750

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПРИНЯТИЕ РЕШЕНИЙ

<strong>РАСПОЗНАВАНИЕ И КЛАССИФИКАЦИЯ МРТ-ИЗОБРАЖЕНИЙ ГОЛОВНОГО МОЗГА С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ</strong>

<strong>RECOGNITION AND CLASSIFICATION OF MRI IMAGES OF THE BRAIN USING THE NEURAL NETWORKS</strong>

Ясир

Муханад Джабар

Yasser

Muhanad Jabar

muhaned.yaser@stu.edu.com

Аль Жанзир

Зуалфекар Муниф

Al Janzeer

Zualfekar Munif

689419@bsuedu.ru

2025

10100

В статье представлено исследование, посвященное разработке нейросетевого инструментария для классификации изображений магнитно-резонансной томографии (МРТ). Исследование посвящено решению актуальной научно-технической задачи, нацеленной на повышение точности диагностирования онкологических заболеваний человеческого мозга. Предложена модель, основанная на использовании нейросети прямого распространения Модель имеет три скрытых слоя нейронов, использующих функцию активации Relu. Выходной слой нейронов использует функцию активации Softmax. Сеть создавалась с помощью библиотеки Keras и программной библиотеки OpenСV. Проведена проверка работоспособности предложенной нейросети, которая показала высокую точность результатов классификации изображений. Применение данной модели позволяет на 9,6 % повысить точность диагностирования онкологических заболеваний головного мозга человека по сравнению с традиционными методами.

The article presents a study devoted to the development of neural network tools for classifying magnetic resonance imaging (MRI) images. The study is devoted to solving a pressing scientific and technical problem aimed at improving the accuracy of diagnosing oncological diseases of the human brain. A model based on the use of a feedforward neural network is proposed. The model has three hidden layers of neurons using the Relu activation function. The output layer of neurons uses the Softmax activation function. The network was created using the Keras library and the OpenCV software library. The sizes of images used as training data are substantiated. The study showed that 38 training cycles are sufficient to configure such a neural network. The performance of the proposed neural network was tested, which showed high accuracy of image classification results. The use of this model allows to increase the accuracy of diagnosing oncological diseases of the human brain by 9.6% compared to traditional methods.

нейронная сеть прямого распространенияраспознавание изображениймагнитно-резонансная томографияKerasонкология головного мозга

Feed Forward Neural Networkimage recognitionmagnetic resonance imagingKerasbrain oncology

Список литературы

Касаткин А.А., Лиманова Н.И., Козлов В.В. Разработка и применение алгоритмов машинного зрения и обработки изображений // Тенденции развития науки и образования. – 2023. – № 98-10. – С. 58–61.

Аверкин А.Н., Волков Е.Н., Ярушев С.А. Объяснительный искусственный интеллект в анализе цифровых изображений на основе нейронных сетей глубокого обучения // Известия Российской академии наук. Теория и системы управления. – 2024. – № 1. – С. 150–178.

Сухих Г.Т., Давыдов Д.Г., Логинов В.В. Состояние и перспективы внедрения технологий искусственного интеллекта в акушерско-гинекологическую практику // Акушерство и гинекология. – 2021. – № 2. – С. 5–12.

Наркевич А. Н. Т., Мамедов Х., Дзюба Д. В. Распознавание диабетической ретинопатии на цифровых изображениях глазного дна с применением сверточных нейронных сетей глубокого обучения // Технологии живых систем. – 2023. – Т. 20, № 1. – С. 55–61.

Дмитриева В.В., Тупицын Н.Н., Поляков Е.В., Денисюк С.С. Метод мультиклассификации клеток костного мозга для диагностики острых лейкозов и минимальной остаточной болезни (на материале лаборатории гемопоэза Национального медицинского исследовательского центра онкологии

им. Н.Н. Блохина) // Системный анализ и управление в биомедицинских системах. – 2020. – Т. 19, № 3. – С. 155–158.

Елагина Е.А., Маргун А.А. Исследование методов машинного обучения в задаче идентификации клеток крови // Научно-технический вестник информационных технологий, механики и оптики. – 2021. – Т. 21, № 6. – С. 903–911.

Сафьянникова Е.А., Крюков А.И., Кунельская Н.Л. Возможности нейросети в диагностике новообразований гортани // Digital Diagnostics. – 2024. – Т. 5, № S1. – С. 98–101.

Шабалин В.В., Захарова Г.П., Кривопалов А.А. Выявление структурных маркеров хронического риносинусита на изображениях твердой фазы биологических жидкостей // Российская ринология. – 2023. – Т. 31, № 4. – С. 245–251.

Наркевич А. Н., Виноградов К. А., Параскевопуло К. М., Мамедов Т. Х. Интеллектуальные методы анализа данных в биомедицинских исследованиях: сверточные нейронные сети // Экология человека. – 2021. – № 5. – С. 53–64.

Velikanova A.S., Polshchykov K.A., Likhosherstov R.V., Polshchykova A.K. The use of virtual reality and fuzzy neural network tools to identify the focus on achieving project results // Journal of Physics: Conference Series. 2nd International Scientific Conference on Artificial Intelligence and Digital Technologies in Technical Systems 2021, Volgograd. – 2021. – Vol. 2060. – P. 173707.

Польщиков К. А., Лазарев С. А., Константинов И. С. Модель для оценки эффективности выполнения робототехнической системой коммуникативных функций // СТИН. – 2020. – № 6. – С. 4–7.

Rvachova N., Sokol G., Polschykov K., Davies J. N. Selecting the intersegment interval for TCP in telecomms networks using fuzzy inference system / // 2015 Internet Technologies and Applications, ITA 2015 – Proceedings of the 6th International Conference. – Wrexham, 2015. – P. 256–260.

Konstantinov I.S., Polshchykov K.O., Lazarev S.A. The Algorithm for Neuro-Fuzzy Controlling the Intensity of Retransmission in a Mobile Ad-Hoc Network // International Journal of Applied Mathematics and Statistics. – 2017. – Vol. 56, Issue No. 2. – PP. 85–90.

Polshchykov K.O., Lazarev S.A., Zdorovtsov A.D. Neuro-Fuzzy Control of Data Sending in a Mobile Ad Hoc Network // Journal of Fundamental and Applied Sciences. – 2017. – Vol 9, No 2S. – PP. 1494–1501.

Махди Т.Н., Игитян Е.В., Польщиков К.А., Корсунов Н.И. Оценивание эффективности функционирования диалоговой системы на основе применения нечеткого вывода с нейросетевой настройкой // Экономика. Информатика. – 2022. – Т. 49. – № 2. – С. 356–374.

Polshchykov K.A., Velikanova A.S., Igityan E.V. Neural network natural language processing tools for identifying personal priorities in the project performers selection in the field of smart agriculture // IOP Conference Series: Earth and Environmental Science. – 2022. – Vol. 1069. – 012012.

Bhardwaj H., Tomar P., Sakalle A., Sharma U. Principles and Foundations of Artificial Intelligence and Internet of Things Technology // Artificial Intelligence to Solve Pervasive Internet of Things Issues. –  2021. – P. 377–392.

Grossi E., Buscema M. Introduction to artificial neural networks // European Journal of Gastroenterology & Hepatology. – 2007. – Vol. 19(12). – P. 1046–1054.

Capizzi G., Coco S., Lo Sciuto G., Napoli C. A new iterative fir filter design approach using a Gaussian approximation // IEEE Signal Processing Letters. – 2015. – Vol. 25. – P. 1615–1619.

Chen Y., Zhang C., Liu C. et al. Atrial Fibrillation Detection Using a Feedforward Neural Network // Journal of Medical and Biological Engineering. – 2022. – Vol. 42. – P. 63–73.

Sayal A. et al. Neural Networks and Machine Learning // 2023 IEEE 5th International Conference on Cybernetics, Cognition and Machine Learning Applications (ICCCMLA). – Hamburg, 2023. – P. 58–63.

Roy S., Bhalla K., Patel R. Mathematical analysis of histogram equalization techniques for medical image enhancement: a tutorial from the perspective of data loss // Multimedia Tools and Applications. – 2024. – Vol. 83. – P. 14363–14392.

Acharya U.K., Kumar S. Genetic algorithm based adaptive histogram equalization (GAAHE) technique for medical image enhancement // Optik. – 2021. – Vol. 230. – P. 166273.

Bachiega de Almeida T., Carlos Pedrino E., Merino Fernandes M. Complex Morphological Filtering for Serial, Parallel, GPU, SoC, PetaLinux and FPGA Execution // IEEE Latin America Transactions. – 2020. – Vol. 18(10). – P. 1675–1682.