News of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesNews of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesИзвестия Кабардино-Балкарского научного центра РАН1991-66392949-194029439210.35330/1991-6639-2025-27-2-103-112PFILQXИнформатика и информационные процессыInformatics and information processesResearch ArticleModels and methods of deep learning in medical image recognition and classification tasksМодели и методы глубокого обучения в задачах распознавания и классификации медицинских изображенийhttps://orcid.org/0000-0003-3394-76823535-2963PshenokovaInna A.ПшеноковаИнна Ауесовна
Russian Federation

Candidate of Physical and Mathematical Sciences, Head of the Laboratory of Intelligent Living Environments; Associate Professor at the Department of Computer Technology and Information Security

канд. физ.-мат. наук, зав. лаб. «Интеллектуальные среды обитания»; доцент кафедры «Компьютерные технологии и информационная безопасность»

pshenokova_inna@mail.ruКиясовМурат РуслановичKiyasovMurat R.
Russian Federation

4th-Year Student in the Field of Informatics and Computer Science

студент 4-го курса направления «Информатика и вычислительная техника»

myrat7450@mail.ruInstitute of Computer Science and Problems of Regional Management – a branch of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesИнститут информатики и проблем регионального управления – филиал Кабардино-Балкарского научного центра Российской академии наукBerbekov Kabardino-Balkarian State UniversityКабардино-Балкарский государственный университет имени Х. М. Бербековаru1106202520252721031123005202530052025Copyright ©; 2025, Пшенокова И.А., Киясов М.Р.Copyright ©; 2025, Pshenokova I.A., Kiyasov M.R.2025Пшенокова И.А., Киясов М.Р.Pshenokova I.A., Kiyasov M.R.https://creativecommons.org/licenses/by/4.0https://journals.rcsi.science/1991-6639/article/view/294392

The paper presents a study and analysis of deep learning models and methods in the problems of recognition and classification of brain tumor images. To compare the effectiveness of the most relevant and available models based on convolutional neural networks, the VGG19, Xception, and ResNet152 models were selected. The Xception model showed the best results. The purpose of this work is to optimize and train the selected model using various methods to improve the accuracy of diagnosing human brain tumors. A strategy for improving this model using transfer learning and data augmentation methods is proposed and implemented. The tests show that the improved model demonstrates higher accuracy and resistance to various types of data distortions, which makes it more effective for image recognition and classification tasks.

В работе проведены исследование и анализ моделей и методов глубокого обучения в задачах распознавания и классификации изображений опухолей мозга. Для сравнения эффективности наиболее актуальных и доступных моделей на основе сверточных нейронных сетей были выбраны модели VGG19, Xception и ResNet152. Наилучшие результаты показала модель Xception. Целью данной работы являются оптимизация и обучение выбранной модели с помощью различных методов для повышения точности диагностики опухолей головного мозга человека. Предложена и реализована стратегия для улучшения этой модели с использованием методов переноса обучения и аугментации данных. Из проведенных тестов следует, что улучшенная модель демонстрирует более высокую точность и устойчивость к различным видам искажений данных, что делает ее более эффективной для задач распознавания и классификации изображений.

методы распознавания изображенийметоды глубокого обучениясверточные нейронные сетиметоды переноса обученияimage recognition methodsdeep learning methodsconvolutional neural networkstransfer learning methodsBishop C.M. Pattern recognition and machine learning (Information Science and Statistics). Springer. New York. 2007. ISBN: 0-387-31073-8Li Z. et al. A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems. 2021. Vol. 33. No. 12. Pp. 6999–7019. DOI: 10.1109/TNNLS.2021.3084827Byra M. et al. Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversion. Medical physics. 2019. Vol. 46. No. 2. Pp. 746–755. DOI: 10.1002/mp.13361Horiuchi Y. et al. Convolutional neural network for differentiating gastric cancer from gastritis using magnified endoscopy with narrow band imaging. Digestive diseases and sciences. 2020. Vol. 65. Pp. 1355–1363. DOI: 10.1007/s10620-019-05862-6Wang J. et al. Integral real-time locomotion mode recognition based on GA-CNN for lower limb exoskeleton. Journal of Bionic Engineering. 2022. Vol. 19. No. 5. Pp. 1359–1373. DOI: 10.1007/s42235-022-00230-zBhandari D., Paul S., Narayan A. Deep neural networks for multimodal data fusion and affect recognition. International Journal of Artificial Intelligence and Soft Computing. 2020. Vol. 7. No. 2. Pp. 130–145. DOI: 10.1504/IJAISC.2020.113475Srivastava A., Singh A., Tiwari A. K. An efficient hybrid approach for the prediction of epilepsy using CNN with LSTM. International Journal of Artificial Intelligence and Soft Computing. 2022. Vol. 7. No. 3. Pp. 179–193. DOI: 10.1504/IJAISC.2022.126336Khan H.A. et al. Brain tumor classification in MRI image using convolutional neural network. Mathematical Biosciences and Engineering. 2021. Vol. 17. No. 5. Pp. 6203–6216. DOI: 10.3934/mbe.2020328Houssein E.H. et al. Hybrid quantum-classical convolutional neural network model for COVID-19 prediction using chest X-ray images. Journal of Computational Design and Engineering. 2022. Vol. 9. No. 2. Pp. 343–363. DOI: 10.1093/jcde/qwac003Raskopina A.S., Bozhenko V.V., Tatarnikova T.M. Using deep learning in diagnosing pneumonia from X-ray images. Izvestiya vysshikh uchebnykh zavedeniy. Priborostroyeniye [News of higher educational institutions. Instrument engineering]. 2024. Vol. 67. No. 4. Pp. 315–320. DOI: 10.17586/0021-3454-2024-67-4-315-320. (In Russian)Раскопина А. С., Боженко В. В., Татарникова Т. М. Использование глубокого обучения при диагностировании пневмонии по рентгеновским снимкам. Известия высших учебных заведений. Приборостроение. 2024. Т. 67. № 4. С. 315–320. DOI: 10.17586/0021-3454-2024-67-4-315-320Shchetinin E.Yu., Sevastyanov L.A. On deep learning transfer methods in biomedical image classification problems. Informatika i yeyo primeneniya [Computer Science and Its Applications]. 2021. Vol. 15. No. 4. Pp. 59–64. DOI: 10.14357/19922264210408. EDN: YQXVAA (In Russian)Wan C. et al. Research on classification algorithm of cerebral small vessel disease based on convolutional neural network. Journal of Intelligent & Fuzzy Systems. 2023. Vol. 44. No. 2. Pp. 3107–3114.Shchukina N.A. Neural network models in the problem of classification of medical images. Modelirovaniye, optimizatsiya i informatsionnyye tekhnologii [Modeling, Optimization and Information Technology]. 2021. Vol. 9. No. 4(35). DOI: 10.26102/2310-6018/2021.35.4.022. EDN: MXPABV. (In Russian)Ashtari-Majlan M., Seifi A., Dehshibi M.M. A multi-stream convolutional neural network for classification of progressive MCI in Alzheimer’s disease using structural MRI images. IEEE Journal of Biomedical and Health Informatics. 2022. Vol. 26. No. 8. Pp. 3918–3926. DOI: 10.1109/JBHI.2022.3155705Nabor dannykh MRT opukholi golovnogo mozga [Brain tumor MRI dataset]. [Electronic resource]. URL: https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset. (accessed 10.03.2025)Ekong F. et al. Bayesian depth-wise convolutional neural network design for brain tumor MRI classification. Diagnostics. 2022. Vol. 12. No. 7. P. 1657. DOI: 10.3390/diagnostics12071657Apostolopoulos I.D., Aznaouridis S., Tzani M. An attention-based deep convolutional neural network for brain tumor and disorder classification and grading in magnetic resonance imaging. Information. 2023. Vol. 14. No. 3. P. 174. DOI: 10.3390/info14030174Shi Y. et al. Residual convolutional neural network-based stroke classification with electrical impedance tomography. IEEE Transactions on Instrumentation and Measurement. 2022. Vol. 71. Pp. 1–11. DOI: 10.1109/TIM.2022.3165786Щетинин Е. Ю., Севастьянов Л. А. О методах переноса глубокого обучения в задачах классификации биомедицинских изображений // Информатика и ее применения. 2021. Т. 15. № 4. С. 59–64. DOI: 10.14357/19922264210408. EDN: YQXVAAЩукина Н. А. Нейросетевые модели в задаче классификации медицинских изображений // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 4(35). DOI: 10.26102/2310-6018/2021.35.4.022. EDN: MXPABVSimonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. 2014. DOI: 10.48550/arXiv.1409.1556Khan A. et al. A survey of the recent architectures of deep convolutional neural networks. Artificial intelligence review. 2020. Vol. 53. Pp. 5455–5516.Набор данных МРТ опухоли головного мозга [Электронный ресурс]. URL: https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset