ВЛИЯНИЕ CLAHE НА КЛАССИФИКАЦИЮ МРТ МОЗГА CNN-МОДЕЛЯМИ

Аннотация

This study analyzes the impact of the CLAHE method on the classification quality of brain MRI using neural network architectures VGG16, VGG19, and ResNet50. The results show that CLAHE enhances image contrast and improves classification accuracy, particularly with the VGG16 model. The work highlights the importance of image preprocessing and model selection in medical diagnostics. Keywords: CLAHE, brain MRI, convolutional neural networks, VGG16, VGG19, ResNet50, image classification, medical diagnostics, image preprocessing, transfer learning. Аннотация: Статья посвящена анализу влияния метода CLAHE на качество классификации МРТ головного мозга с помощью нейросетей VGG16, VGG19 и ResNet50. Исследование показало, что CLAHE улучшает контрастность изображений и повышает точность классификации, особенно при использовании архитектуры VGG16. Работа подчеркивает важность предварительной обработки данных и правильного выбора модели для медицинской диагностики. Ключевые слова: CLAHE, сверточные нейронные сети, VGG16, VGG19, ResNet50, классификация изображений, медицинская диагностика, обработка изображений, трансферное обучение. На сегодняшний день использование методов искусственного интеллекта, в частности сверточных нейронных сетей (CNN), оказывает значительное влияние на развитие диагностики в медицине, включая онкологию. Благодаря способности CNN извлекать и анализировать сложные особенности изображений, стало возможным эффективно классифицировать и обнаруживать опухоли на медицинских снимках, особенно на МРТ изображениях головного мозга. Опухоли мозга представляют собой серьезную угрозу для здоровья 28 SCIENCE SHINE INTERNATIONAL SCIENTIFIC JOURNAL Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025 людей всех возрастов, и ранняя диагностика с применением автоматизированных систем играет ключевую роль в успешности лечения. Одним из важных этапов повышения точности диагностики является улучшение качества изображений, особенно в условиях ограниченного количества данных и наличия шумов. В этом контексте метод CLAHE (Contrast Limited Adaptive Histogram Equalization) зарекомендовал себя как эффективный способ повышения контрастности изображений без потери информации. Целью настоящего исследования является сравнительный анализ трех архитектур CNN — VGG16, VGG19 и ResNet50 — в задаче бинарной классификации медицинских изображений мозга с нормальной и улучшенной с помощью CLAHE контрастностью. В рамках работы были построены два набора данных: исходный и обработанный, а также проведены эксперименты в двух режимах — с дополнением данных и без. Исследование направлено на выявление наиболее эффективной архитектуры нейросети для классификации изображений в условиях ограниченного объема и низкого качества медицинских данных. Проведенная работа дополняет существующие исследования в области медицинской визуализации, особенно в аспекте применения трансферного обучения и методов повышения контрастности. Полученные результаты могут быть полезны для разработки интеллектуальных систем поддержки принятия решений в медицинской диагностике. Современные исследования в области медицинской диагностики всё чаще опираются на методы глубокого обучения, в частности, сверточные нейронные сети (CNN), которые доказали свою эффективность в задачах классификации изображений. С момента появления архитектур AlexNet, VGG и ResNet наблюдается стремительное развитие нейросетевых моделей, каждая из которых предлагает определённые преимущества в плане глубины, скорости и точности обучения [2]. В работе Шелдона Маскаренаса и Мукула Агарвала [3] была проведена оценка архитектур VGG16, VGG19 и ResNet50, где авторы пришли к выводу, что VGG16 обеспечивает наилучшую точность при классификации изображений, несмотря на меньшую глубину по сравнению с ResNet. Тем не менее, это исследование не учитывало особенности контрастных медицинских изображений. Параллельно с этим Парепалли Ликхита Савери и Сандийп Кумар [4] продемонстрировали, что модель ResNet50 превосходит VGG- архитектуры в задаче классификации рака лёгких по неусиленным 29 SCIENCE SHINE INTERNATIONAL SCIENTIFIC JOURNAL Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025 медицинским изображениям. Это указывает на сильную зависимость эффективности модели от специфики используемого набора данных и контекста применения. Нур Сяхми Исмаил и Чеаб Совути [5] исследовали классификацию изображений рака груди и пришли к обратному выводу — в их случае VGG16 обеспечила более высокую точность (94%) по сравнению с ResNet50 (91,7%), что подтверждает неоднозначность превосходства той или иной архитектуры. Работа Хасана Али Хана и соавторов [6] сфокусирована на классификации опухолей головного мозга с помощью CNN и дала результаты точности до 100% при использовании собственной модели, опережающей даже Inception- V3, что подчеркивает важность индивидуального подбора архитектуры под конкретную задачу. Мухаммед Тало и коллеги [7] сравнивали несколько моделей, включая AlexNet, VGG-16 и различные версии ResNet, в задаче мног