Классификатор КТ почек на основе EfficientNet

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

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