Е.В. Романова1, В.А. Бартева2, С.Д. Ким3

1–3 Финансовый университет при Правительстве РФ (Москва, Россия)
1 EkVRomanova@fa.ru, 2 VABarteva@fa.ru, 3 215922@edu.fa.ru

Постановка проблемы. В последние годы появилось множество архитектур CNN, таких как EfficientNet, DenseNet, Inception и ResNet, которые улучшили производительность нейронных сетей. Однако проблема их адаптации к специфическим задачам классификации по-прежнему остается актуальной. В связи с этим возникла необходимость провести сравнительный анализ различных подходов глубокого обучения для решения задачи классификации дерматоскопических изображений. Это позволит выявить наиболее эффективные методы для практического использования в области медицинской диагностики.

Цель. Определить эффективность различных архитектур сверточных нейронных сетей для классификации дерматоскопических изображений для выбора оптимальных подходов, способствующих автоматизации диагностики кожных заболеваний, и провести сравнительный анализ.

Результаты. Проведено сравнение современных методов глубокого обучения для задачи классификации дерматоскопических изображений. Отмечено, что с ростом использования технологий обработки данных и возможностей компьютерных систем методы глубокого обучения становятся все более популярными в решении задач классификации изображений. Особенно сверточные нейронные сети (CNN) демонстрируют высокую эффективность в различных сферах деятельности – от медицины до индустрии и биометрии, где точность и скорость анализа визуальной информации играют ключевую роль. Установлено, что EfficientNet-B1 рациональна при ограниченном времени обучения и отсутствии строгих требований к F1, Inception-ResNet-V2 предпочтительна, когда критична каждая десятая процента точности, а DenseNet-201 остаётся компромиссным решением при умеренных вычислительных ресурсах. Показано, что при строго определенном пайплайне все три модели достигают сопоставимого уровня базовой точности, однако демонстрируют различную динамику сходимости и разную чувствительность к переобучению. Особое внимание уделено задаче анализа дерматоскопических изображений, что имеет большое значение для ранней диагностики кожных заболеваний, включая меланому – одну из наиболее опасных злокачественных опухолей у человека.

Практическая значимость. Использование сверточных нейронных сетей в этом контексте позволяет выявлять сложные характеристики и учитывать специфику этих данных с высокой степенью детализации и присутствием множества неоднозначных критериев.

Романова Е.В., Бартева В.А., Ким С.Д. Исследование эффективности методов глубокого обучения в задаче классификации изображений дерматоскопии // Динамика сложных систем. 2026. Т. 20. № 3. С. 82−90. DOI: 10.18127/j19997493-202603-09

1. Cheng Yu., Anikeev E.A. Thoughts on convolution kernel of convolutional neural network / Отв. ред. В.К. Зольников, А.И. Заревич // Материалы Междунар. науч.-практ. конф. «Новые аспекты моделирования систем и процессов» (Воронеж, 26 мая 2023 г.). Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова. 2023. P. 483–491. DOI 10.58168/NAMSP_483-491
2. Багаев И.И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020.
   Т. 8. № 1. С. 15–22. DOI 10.18503/2306-2053-2020-8-1-15-22
3. Cheng Yu., Anikeev E.A. Understanding convolutional neural networks / Отв. ред. В.К. Зольников, А.И. Заревич // Материалы Междунар. науч.-практ. конф. «Новые аспекты моделирования систем и процессов» (Воронеж, 26 мая 2023 г.). Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова. 2023. P. 230–236. DOI 10.58168/NAMSP_230-236
4. Наркевич А.Н., Виноградов К.А., Параскевопуло К.М., Мамедов Т.Х. Интеллектуальные методы анализа данных в биомедицинских исследованиях: сверточные нейронные сети // Экология человека. 2021. № 5. С. 53–64. DOI 10.33396/1728-0869-2021-5-53-64
5. Чудаков Г.А., Джунковский А.В. Диагностика меланомы путем анализа дерматоскопического изображения при помощи сверточной нейронной сети // Международный журнал прикладных и фундаментальных исследований. 2022. № 9. С. 63–69. DOI 10.17513/mjpfi.13442
6. Михайлусов А.В. Использование сверточных нейронных сетей для диагностики рака кожи // Вестник Воронежского государственного технического университета. 2023. Т. 19. № 1. С. 20–26. DOI 10.36622/VSTU.2023.19.1.003
7. Xu T., Zhou Yi., Ji K., Liang Y. When will gradient methods converge to max‐margin classifier under ReLU models // Stat. 2021. V. 10. № 1. P. 354. DOI 10.1002/sta4.354
8. Micikevicius P. et al. Mixed Precision Training // ICLR. 2018.
9. Прокопчина С.В., Звягин Л.С. Актуальные направления и перспективы развития прикладных информационно-измери­тельных систем для решения задач автоматизации мониторинга и управления в сложных технических комплексах // Динамика сложных систем – XXI век. 2025. Т. 19. № 5. С. 110–125. DOI: 10.18127/j19997493-202505-13