A comparison of classifiers applied to the problem of biopsy images analysis

Abstract

Мета дослідження - порівняння алгоритмів класифікації для аналізу гістопатологічних зображень і оптимізація гіперпараметрів алгоритмів класифікації для збільшення результуючої точності. У статті вирішуються наступні завдання: попередньо обробленого набору даних BreCaHAD, реалізація та навчання CNN, застосування алгоритмів K-найближчих сусідів, SVM,Random Forest, XGBoost і персептрона для класифікації ознак, отриманих CNN, і порівняння результатів. Об'єктом дослідженняє процес класифікації пухлинних клітин на знімках мікроскопічної біопсії. Предметом дослідження є процес використання алгоритмів машинного навчання для класифікації ознак, отриманих CNN з вхідного зображення біопсії. Наукова новизна дослідження - порівняльний аналіз класифікаторів на завданні класифікації зображень «пухлинних» і «здорових» клітин з предобработанного набору даних BreCaHAD. В результаті було отримано, що з обраних класифікаторів SVM має найбільшу точність на тестовій вибірці - 0,972. Це єдиний алгоритм, який отримав більшу точність, ніж персептрон. Точність класифікації персептрона на тестовій вибірці склала 0,966. K-найближчі сусіди, алгоритми Random Forest і XGBoost в результаті експериментів показали меншу точність. Проведена оптимізація гіперпараметрів алгоритмів. Результати були зіставлені з подібними роботами. Були використані такі методи дослідження: теорія глибокого навчання, математична статистика, оптимізація параметрів.