📝 Abstract
Рак легенів залишається одним із найпоширеніших і найсмертельніших видів раку у світі. Ймовірність успішного лікування значною мірою залежить від стадії, на якій було встановлено діагноз. Тому раннє виявлення раку легенів є надзвичайно важливим медичним завданням. Проте ця задача створює значні труднощі для торакальних радіологів через велику кількість досліджень, які необхідно проаналізувати, наявність множинних утворів у легенях і невеликі розміри багатьох із них, що ускладнює візуальну оцінку. У зв’язку з цим розробка автоматизованих систем, які містять високоточні та обчислювально ефективні модулі виявлення й класифікації легеневих утворів, є вкрай актуальною. У цьому дослідженні представлено три методологічні вдосконалення для задачі класифікації легеневих утворів: (1) удосконалену стратегію фрагментування КТ-зображень, яка дозволяє моделі зосередитися на цільовому утворі та зменшити обчислювальні витрати; (2) методи фільтрації цільових міток для усунення зашумлених анотацій; (3) нові методи аугментації, спрямовані на підвищення стійкості моделі. Інтеграція цих підходів дозволяє створити надійну підсистему класифікації у складі комплексної системи підтримки прийняття клінічних рішень для виявлення раку легенів, здатної працювати з різними протоколами проведення КТ дослідження, типами сканерів і вхідними моделями (сегментації чи детекції). Розглянуто дві постановки задачі – багатокласову та бінарну, а також кілька методів агрегації для перетворення багатокласових прогнозів у бінарні. Проведено розширене дослідження для кількісної оцінки внеску кожного запропонованого методологічного вдосконалення. Багатокласова модель досягла Macro ROC AUC = 0.9176 і Macro F1 = 0.7658, тоді як бінарна модель показала Binary ROC AUC = 0.9383 і Binary F1 = 0.8668 на наборі даних LIDC-IDRI. Отримані результати перевищують показники низки попередніх підходів і демонструють ефективність кращу від сучасного стану галузі для цієї задачі.