Abstract
В данной работе представлен метод генерации и классификации ультразвуковых изображений опухолей рака молочной железы, основанный на генеративно-состязательных сетях Вассерштейна с градиентным штрафом (WGAN-GP) и трансферном обучении (ТО). Для устранения дисбаланса данных с помощью WGAN-GP было создано 227 дополнительных изображений злокачественных опухолей. Классификация изображений выполнялась с использованием моделей EfficientNetB4, ResNet152, VGG19, Xception, InceptionV3 и DenseNet121, при этом трансферное обучение позволило адаптировать предобученные модели к задаче выявления злокачественных новообразований. Наилучшие результаты продемонстрировали DenseNet121, Xception и InceptionV3, достигнув точности (accuracy) выше 93%, Recall и F1-score, а также ROC-кривых (AUC> 0.98). Предложенный метод сочетания WGAN-GP и трансферного обучения значительно повышает точность диагностики опухолей молочной железы за счёт генерации данных и балансировки датасета.