УДК 004.932.72’1
DOI: 10.36871/26189976.2026.03-2.005

Авторы

Азат Радикович Габидуллин,
Казанский государственный энергетический университет, Казань, Россия
Римма Солтановна Зарипова,
Казанский государственный энергетический университет, Казань, Россия
Динар Агзямович Ахметшин,
Казанский национальный исследовательский технологический университет, Казань, Россия

Аннотация

Развитие методов машинного обучения и компьютерного зрения открывает новые возможности для автоматизации анализа медицинских изображений и повышения эффективности диагностики заболеваний. Одним из наиболее информативных методов визуализации внутренних структур организма является магнитно-резонансная томография, широко применяемая при исследовании патологий головного мозга. Однако интерпретация МРТ-изображений требует значительных временных затрат и высокой квалификации специалистов, что обусловливает необходимость разработки интеллектуальных методов автоматизированного анализа медицинских данных. Реализованы и исследованы несколько архитектур сверточных нейронных сетей, отличающихся глубиной и количеством параметров. Полученные результаты показали, что увеличение глубины нейронной сети способствует повышению точности классификации медицинских изображений. Дополнительно выполнен анализ процесса обучения нейросети с использованием системы визуализации TensorBoard, позволивший исследовать динамику функции потерь, точности модели, а также распределения весов и градиентов сети. Практическая значимость работы заключается в возможности применения разработанного подхода при создании интеллектуальных систем поддержки медицинской диагностики и автоматизированного анализа медицинских изображений.

Ключевые слова

машинное обучение
сверточные нейронные сети
медицинские изображения
магнитно-резонансная томография
классификация изображений
искусственный интеллект, медицина

Список литературы

[1] Багдасарян Л. Ш., Николаев Е. И. Визуализация этапов обработки изображений глубокими сверточными нейронными сетями // Студенческая наука для развития информационного общества: сборник материалов X Всероссийской научнотехнической конференции с международным участием. Т. 2. Ставрополь, 2019. С. 25–34. EDN QVNRHI.

[2] Бруттан Ю. В., Новиков А. Исследование нейронных сетей для анализа медицинских изображений // Вестник Псковского государственного университета. Серия: Технические науки. 2020. № 11. С. 49–54. EDN JPRRRZ.

[3] Волков Г. А., Волкова К. Р. Применение нейронных сетей в анализе медицинских изображений // Сборник избранных статей по материалам научных конференций ГНИИ «Нацразвитие»: материалы Международных научных конференций. Санкт-Петербург, 2020. С. 74–76. EDN MCBIDV.

[4] Димитрова Я. Д. Распознавание изображений нейронной сетью // Актуальные проблемы авиации и космонавтики: сборник материалов VI Международной научно-практической конференции. Т. 2. Красноярск, 2020. С. 330–331. EDN XMCTRN.

[5] Курбанов Б., Катасев А. С. Интеллектуальная система распознавания на основе свёрточной нейронной сети // Моделирование энергоинформационных процессов: сборник статей XII национальная научно-практическая конференция с международным участием. Воронеж, 2024. С. 175–180.

[6] Куценко С. М., Салтанаева Е. А. Выбор инструментов построения нейронной сети // Научно-технический вестник Поволжья. 2023. № 12. С. 313–315. EDN AWNBLJ.

[7] Лихотин М. А. Использование свёрточных нейронных сетей для анализа изображений // Вестник Воронежского государственного технического университета. 2023. Т. 19, № 2. С. 27–32. DOI 10.36622/VSTU.2023.19.2.004. EDN PHHHNC.

[8] Майорова Е.С., Зарипова Р. С. Решение задачи переноса стиля на изображения с использованием нейронных сетей // Научно-технический вестник Поволжья. 2023. № 11. С. 228–230.

[9] Минниханов Р.Н., Баторшин Т. Р., Габбазов Р. М., Фахразиев Р. И., Катасёв А. С., Дагаева М. В. Методы выявления искажений на изображениях в системах компьютерного зрения // Вестник Технологического университета. 2025. Т. 28, № 5. С. 81–85. DOI 10.55421/3034–4689_2025_28_5_81. EDN ITJAMR.

[10] Нагорный М. А., Назаров Д. М. Классификация изображений по их содержимому с применением свёрточной нейронной сети: пошаговая инструкция // Оригинальные исследования. 2025. Т. 15, № 4. С. 75–80. EDN BMXPYQ.

[11] Разработка системы распознавания эмоций по лицевым выражениям на основе машинного обучения / И. С. Шурдилов, М. Г. Нуриев, М. Г. Лаптева, А. В. Толмачева // Международный научно-исследовательский журнал. 2025. № 6(156). DOI 10.60797/IRJ.2025.156.52. EDN RLQBPU.

[12] Смирнов Ю. Н., Абдуллин А. И., Каляшина А. В. Нейронные сети для анализа биомедицинских изображений // Научно-технический вестник Поволжья. 2023. № 6. С. 106–109. EDN JAZFDJ.

[13] Хайруллин А.М., Зарипова Р. С. Применение моделей искусственного интеллекта в медицине // Информационные технологии в строительных, социальных и экономических системах. 2020. № 3 (21). С. 40–42. EDN RKUMAF.

[14] Хайруллин А.М., Зарипова Р. С. Цифровое будущее медицины // Вектор развития управленческих подходов в цифровой экономике. Материалы III Всероссийской научно-практической конференции. Казань, 2021. С. 295–297.

[15] Щетинин Е. Ю. О некоторых методах сегментации изображений с применением свёрточных нейронных сетей // Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем: материалы Всероссийской конференции с международным участием. Москва: РУДН, 2021. С. 507–510. EDN PISYKW.