Молодежь и наука - третье тысячелетие: Материалы студенческой научно-практической конференции с международным участием

96 После подготовки данных следует определить архитектуру сверточной нейронной сети. Архитектура должна учитывать особенности изображений МРТ головного мозга и оптимизироваться для задачи классификации. Коли- чество слоев и параметры каждого слоя определялись на основе анализа обу- чающей выборки и настраивались во время обучения. Однако, необходимо отметить, что для успешной работы CNN требуется большое количество данных для обучения и настройки параметров сети. А при использовании CNN в медицинских приложениях, необходимо учитывать кон- фиденциальность пациентов и правила использования медицинских данных. В результате проведенного анализа литературы и экспериментов было вы- яснено, что сверточные нейронные сети представляют собой мощный инстру- мент для классификации МРТ изображений головного мозга, который может быть использован в медицинской диагностике. Однако, необходимо учитывать различные аспекты при использовании их в практических приложениях. Литература 1. Liu F., Wee L. and Shen D. Classification of Alzheimer's disease by combination of convolutional and recurrent neural networks using FDG-PET images. Frontiers in Neuroinformatics. Vol. 12. P. 62. 2018. 2. Zhou Z., Siddiquee M., Tajbakhsh N. and Liang J. Unet++: A nested U-Net architecture for medical image segmentation. // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. 2019. P. 3–11. 3. Rajpurkar A. et al. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning. arXiv preprint arXiv:1711.05225, 2017.