@article{SITITO, author = {Enoel Arrokho Ernandes}, title = { Применение моделей трансформеров для классификации рентгеновских снимков грудной клетки}, journal = {Современные информационные технологии и ИТ-образование}, volume = {19}, number = {3}, year = {2023}, keywords = {}, abstract = {В данной работе оценивается качество моделей визуальных трансформеров для решения задачи классификации рентгеновских снимков грудной клетки.  Рентгеновские снимки грудной клетки являются наиболее известным и распространенным клиническим методом диагностики пневмонии. Однако диагностика пневмонии по рентгеновским снимкам грудной клетки является сложной задачей даже для опытных радиологов. Были проведены компьютерные эксперименты по применению переноса обучения для распознавания пневмонии на рентгеновских снимках грудной клетки. Для этого в качестве базовых моделей обучения были выбраны глубокие нейронные сети трансформеры ViT, Swin и глубокие сверточные сети ResNet и VGG-16, предобученные на датасете ImageNet. Обучение моделей проводилось с функцией потерь «CrossEntropyLoss» и показателями точности accuracy, precision, recall, f1-score и AUC (Area Under Curve). После обучения выбиралась лучшая предварительно обученная модель на основе вышеуказанных метрик точности, полученных на тестовом наборе. В результате экспериментов наилучшую точность классификации показала модель Swin (Tiny) с показателями точности accuracy, precision и recall, равными 88%, 89%, 94% соответственно. После тонкой настройки показатели достигли значений 90%, 94%, 90%, 92% и 90% соответственно.}, pages = {575--580}, doi = {10.25559/SITITO.019.202303.575-580}, url = {http://sitito.cs.msu.ru/index.php/SITITO/article/view/1010} }