Sieci atencyjne w analizie nowotworów piersi

Współczesna medycyna w dużej mierze opiera się na wykorzystywaniu szerokiej gamy narzędzi diagnostycznych. Techniki obrazowania to jedna z najczęściej stosowanych procedur, które pomagają w codziennej diagnozie milionów ludzi na całym świecie. Pozwalają one wykrywać nieprawidłowości w ludzkim ciele. Skuteczna analiza obrazów może prowadzić do wczesnego wykrycia wielu chorób, co w większości przypadków znacznie zwiększa szanse na skuteczne leczenie.Sztuczna inteligencja oraz sieci konwolucyjne pełnią istotną rolę w rozwoju analizy obrazów. Sieci konwolucyjne potrafią wyodrębnić istotne elementy obrazu,dostarczając cennych informacji w procesie analizy zdjęć. Sieci konwolucyjne wykorzystywane są m.in. w problemach klasyfikacyjnych - przyporządkowaniu danych wejściowych do odpowiednich kategorii.Przez lata naukowcy proponowali wiele modyfikacji i ulepszeń sieci konwolucyjnych, mających na celu osiągnięcie lepszych wyników. Jedną z istotnych propozycji jest mechanizm atencji. Mechanizm ten został po raz pierwszy zaproponowany w 2014 roku, aby zoptymalizować tłumaczenie tekstu w sieciach opartych na modelu kodera-dekodera poprzez skupienie uwagi sieci na słowach, które niosą ze sobą stosunkowo największą ilość ważnych informacji.Dokładność klasyfikacji obrazów jest szczególnie istotna w procesie analizie obrazów medycznych. Badania przeprowadzone w obrębie pracy magisterskiej mają na celu dokonanie binarnej klasyfikacji wykrywania obecności raka oraz klasyfikacji złośliwości - diagnozowanie łagodnego lub złośliwego guza na podstawie mammografii. Dodatkowo zostanie przeprowadzona klasyfikacja wieloklasowa. Zestawy danych obrazowania metodą rezonansu magnetycznego zostaną również przeanalizowane w celu przetestowania wydajności klasyfikacji. Klasyfikacja zostanie przeprowadzona jako diagnoza typu nowotworu i odpowiedź na chemioterapię oraz klasyfikacja ze względu na złośliwość nowotworu. Analiza danych wykonywana jest za pomocą sieci konwolucyjnej oraz dwóch sieci wyposażonych w model atencji: Convolutional Block Attention Module i Bottleneck Attention Module.Wykonując analizę porównawczą sieci wyposażonych w blok atencji ze zwykłymi sieciami konwolucyjnymi, możemy stwierdzić, że sieci atencyjne uzyskują lepsze wyniki podczas analizy danych mammograficznych oraz danych pochodzących z rezonansu magnetycznego.Modern medicine heavily relies on a wide range of diagnostic tools. Imaging techniques are one of the most widely adopted procedures that aid the everyday diagnosis of millions of people worldwide. Nowadays, many imaging techniques are used to detect abnormalities in the human body and organs. Efficient analysis of images can lead to early detection of many diseases, which in most cases significantly increases the chances of successful treatment.Artificial intelligence and convolutional networks play an important role here. Thanks to them, we can distinguish essential elements from pictures, which provide valuable information when analyzing images. Convolutional networks are used, among others, in classification problems, i.e. assigning input data to appropriate categories.Over the years, researchers have proposed many modifications and improvements to the convolutional networks to achieve better results. One such proposal is the attention mechanism . This mechanism was first proposed in 2014, to optimize text translation in networks based on the coder-decoder model by focusing the network's attention on words that carry the relatively largest amount of important information.The quality of image classification plays a significant role in analyzing medical images. The study aims to perform a binary classification of cancer presence detection and malignancy classification: diagnosing a benign or malignant tumor based on mammography. Additionally, a multi-class classification will be carried out. Magnetic resonance imaging datasets will also be analyzed to test the classification performance. Classification will be carried out as a diagnosis of cancer type and response to neoadjuvant chemotherapy and malignancy classification: diagnosing a benign or malignant tumor. Data analysis is performed using a convolutional network and two networks equipped with the Attention Model: Convolutional Block Attention Module and Bottleneck Attention Module.By analyzing the results by performing a comparative analysis of the networks equipped with the attention block with the usual convolutional networks, we can conclude that the attention networks perform better when analyzing mammography and magnetic resonance imaging data