Comparative analysis and evaluation of the effectiveness of convolutional and transformer deep learning architectures for multi-class classification of medical images
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Warianty tytułu: |
Сравнительный анализ и оценка эффективностисверточных и трансформерных архитектур глубокогообучения для многоклассовой классификациимедицинских изображений
Медициналық кескіндерді көп класты жіктеу үшін терең оқытудың конволюциялық және трансформерлікархитектураларының тиімділігін салыстырмалы талдаужәне бағалау
|
| Autorzy: | Kabdrakhmanova Zaure, Tlebaldinova Aizhan, Kumargazhanova Saule, Karmenova Markhaba, Omiotek Zbigniew |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski | rosyjski | kazachski |
| Numer czasopisma: | 2 |
| Wolumen/Tom: | 1 |
| Strony: | 92 - 105 |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 30 czerwca 2026 |
| Abstrakty: | angielski | rosyjski |
| Accurate determination of the depth and area of burn damage is key to choosing the right treatment method. Doctors usually rely on visual assessment, which is often subjective and can lead to disagreements between specialists, as well as reduce the accuracy of diagnosis. Although deep learning methods for medical image analysis have been actively developed in recent years, the potential of transformer models in determining the severity of burns remains understudied. In our work, we proposed a new approach to automatic burn classification based on modern deep learning architectures. We used transfer learning technologies with pre-trained weights and applied data augmentation to improve model reliability. We chose the AdamW optimizer for training and implemented dynamic learning rate control to make the model more stable and capable of generalization. As part of our research, we tested different architectures, including convolutional neural networks and transformers. Thetransformer model showed the best results, achieving 94.2% accuracy, thanks to its ability to effectively take into account both local texture details and global contextual features. | |
| Точное определение глубины и площади ожогового поражения –это ключ к правильному выбору метода лечения. Обычно врачи полагаются на визуальную оценку, что зачастую бывает субъективным и может привести к разногласиям между специалистами, а также снизить точность диагностики. Хотя за последние годы активно развиваются методы глубокого обучения для анализа медицинских изображений, потенциал трансформерных моделей в определении степени тяжести ожогов остается недостаточно исследованным. В нашей работе мы предложили новый подход к автоматической классификации ожогов, основанный на современных архитектурах глубокого обучения. Мы использовали технологии трансферного обучения с предварительно обученными весами, а также применяли аугментацию данных для повышения надежности модели. Для обучения выбрали оптимизатор AdamWи внедрили динамическое управление скоростью обучения, чтобы сделать модель более устойчивой и способной к обобщению. В рамках исследований протестировали разные архитектуры –и сверточные нейронные сети, и трансформеры. Лучший результат показала |
