Abstract
В данной статье представлен гибридный метод классификации рака молочной железы на основе маммографических изображений в формате цифровой визуализации и коммуникаций в медицине (DICOM). Метод основан на объединении методов глубокого обучения и текстурных и геометрических характеристик изображений. Целью исследования является интеграция текстурных и геометрических характеристик в архитектуру нейронной сети для повышения точности классификации и локализации аномальных областей на медицинских изображениях. Актуальность исследования обусловлена ростом заболеваемости раком и необходимостью повышения точности диагностики в условиях ограниченных ресурсов медицинских учреждений. Предлагаемый метод основан на модифицированной архитектуре сверточной нейронной сети на основе более быстрых регионов (Faster R-CNN), которая включает в себя дополнительные блоки извлечения признаков, такие как эксцентриситет, метрики текстуры, энтропия и средняя интенсивность. Этап предварительной обработки изображения включает в себя преобразования таблицы поиска (LUT), нормализацию и выравнивание гистограммы. Эти изменения позволяют улучшить ключевые структурные особенности изображения. Эффективность метода была дополнительно повышена за счет интеграции текстурных и геометрических характеристик, что позволило сократить общую стоимость на 30%, а также улучшить качество классификации и локализации.