Классификатор КТ почек на основе EfficientNet

О сервисе

Описание модели Это пользовательская сверточная нейронная сеть (CNN) в стиле EfficientNet, разработанная для классификации компьютерных томограмм почек. Модель была обучена с нуля для распознавания четырех категорий: киста, норма, камень и опухоль. Она имеет 101 миллион параметров и демонстрирует высокую точность (более 95%). Детали модели Тип модели: Пользовательская сверточная нейронная сеть в стиле EfficientNet Архитектура: 101 миллион параметров, 7 стадий с блоками MBConv Входное разрешение: Изображения RGB 384x384x3 Количество классов: 4 (Киста, Норма, Камень, Опухоль) Фреймворк: PyTorch 2.0+ Точность обучения: Смешанная точность BF16 на NVIDIA A100 Предварительно обученные веса: Отсутствуют, обучение проводилось с нуля на данных медицинских изображений Метрики качества Точность: 95.00% F1-показатель: 0.9400 Производительность по классам Класс Точность Полнота F1-показатель Киста Высокая Высокая Высокая Норма Высокая Высокая Высокая Камень Хорошая Хорошая Хорошая Опухоль Хорошая Хорошая Хорошая Обучение модели Модель была обучена на наборе данных CT Kidney с использованием следующего подхода: Пользовательская архитектура в стиле EfficientNet, построенная с нуля 101 миллион обучаемых параметров Множитель ширины: 1.4, Множитель глубины: 1.4 Входное разрешение: 384x384 пикселей Обучение со смешанной точностью BF16 на NVIDIA A100 Оптимизатор AdamW с планировщиком OneCycleLR Интенсивное аугментирование данных (умножение в 5 раз) Отсутствие утечки данных: разделение наборов до аугментации Время обучения: 10.5 часов на A100 40ГБ Конфигурация обучения Эпохи: 40 Размер пакета: 48 Оптимизатор: AdamW (lr=2e-3, weight_decay=2e-4) Планировщик: OneCycleLR с косинусным отжигом Функция потерь: CrossEntropyLoss со сглаживанием меток (0.1) Регуляризация: Dropout (0.35), Стохастическая глубина (0-0.2) Аугментация данных: Интенсивная аугментация, включая вращение, отражение, изменение яркости/контраста, CLAHE Оборудование: NVIDIA A100 40ГБ с точностью BF16 Время обучения: ~10.5 часов для 40 эпох Разделение данных Обучающая выборка: 80% (после аугментации ~78 000 изображений) Валидационная выборка: 10% (исходная, без аугментации) Тестовая выборка: 10% (исходная, без аугментации) Отсутствие утечки данных: Разделение было выполнено до аугментации Применение Основные сценарии использования Медицинские исследования и образовательные цели Классификация заболеваний почек по КТ-снимкам Разработка систем компьютерной диагностики (CAD) Исследования в области медицинских изображений Ограничения Модель обучена на конкретном распределении данных Не должна использоваться в качестве единственного диагностического инструмента Требует клинической валидации перед медицинским применением Производительность может варьироваться на других изображениях Ссылки Arko007/kidney-ct-classifier-efficientnet Источник: https://qubu.ai/models/klassifikator-kt-pochek-na-osnove-efficient-net License: MIT