ПРИМЕНЕНИЕ СОВРЕМЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАННЕЙ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ МОЛОЧНОЙ ЖЕЛЕЗЫ (YOLOV8, FASTER R-CNN)

Данное исследование направлено на разработку и совершенствование методов эффективного выявления патологий молочной железы с использованием современных методов машинного обучения, в частности YOLOv8 и Faster R-CNN. Традиционные подходы к диагностике заболеваний молочной железы подвергнуты критическому анализу, и их эффективность оценивается по сравнению с современными автоматизированными методами. Предложенные модели применяются к маммографическим изображениям для выявления и классификации патологических образований по шести уровням с учетом степени тяжести и характеристик заболевания. Такая многоуровневая классификация позволяет более точно оценить прогрессирование болезни и предоставляет важную информацию для персонализированного планирования лечения.

Экспериментальные результаты демонстрируют высокую точность и быструю обработку изображений, обеспечивая надежное и оперативное выявление потенциальных патологий молочной железы. Полученные данные свидетельствуют о том, что алгоритмы машинного обучения могут значительно улучшить процесс диагностики, предоставляя врачам более точную и своевременную информацию. Кроме того, исследование подчеркивает потенциал автоматизированных систем для ранней диагностики, оптимизации лечебных стратегий и улучшения исходов для пациентов. Результаты подтверждают возрастающую роль искусственного интеллекта в медицинской визуализации и его трансформирующее влияние на управление заболеваниями молочной железы.

1. Biomedical image segmentation method based on contour preparation / A. Orazayeva et al. // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657929.

2. Imaging fuzzy expert system for assessing dynamic changes in biomedical tumor images in breast cancer / A. Orazayeva et al // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657923.

3. Methods for detecting and selecting areas on texture biomedical images of breast cancer / A. Orazayeva et al // Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska. – 2022. – Vol. 12(2). – P. 69-72. https://doi.org/10.35784/iapgos.2951.

4. Detection of lung pathology using the fractal method / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(6). – P. 6778-6786. https://doi.org/10.11591/ijece.v13i6.pp6778-6786.

5. Detection of chest pathologies using autocorrelation functions / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(4). – P. 4526-4534. https://doi.org/10.11591/ijece.v13i4.pp4526-4534.

6. Zhang Y. Deep Learning-Based Breast Cancer Detection in Mammography Images Using YOLOv8 / Y. Zhang, H. Liu, X. Chen // Diagnostics. – 2024. – Vol. 14(3). – P. 455-470. https://doi.org/10.3390/diagnostics14030455.

7. Kumar S. Breast Lesion Detection in Mammograms Using Faster R-CNN and Attention Mechanisms / S. Kumar, R. Patel, A. Singh // Computer Methods and Programs in Biomedicine. – 2023. – Vol. 231. – Article 107389. https://doi.org/10.1016/j.cmpb.2023.107389.

8. Wang L. YOLOv8-Based Automated Breast Cancer Detection Framework for Medical Imaging / L. Wang, Q. Zhao, M. Li // Biomedical Signal Processing and Control. – 2025. – Vol. 92. – Article 106102. https://doi.org/10.1016/j.bspc.2024.106102.

9. Hernandez J. Artificial Intelligence Approaches for Early Breast Cancer Detection: A Comparative Deep Learning Study / J. Hernandez, D. Oliveira, P. Martins // Artificial Intelligence in Medicine. – 2024. – Vol. 150. – Article 102781. https://doi.org/10.1016/j.artmed.2024.102781.

10. Ahmed N. Comparative Analysis of YOLOv8 and Faster R-CNN for Breast Tumor Detection / N. Ahmed, T. Rahman, J. Lee // IEEE Access. – 2025. – Vol. 13. – P. 22541-22556. https://doi.org/10.1109/ACCESS.2025.3354128.

11. Silva M. Recent Advances in Deep Learning for Mammography Analysis / M. Silva, F. Costa, A. Ribeiro // Cancers. – 2023. – Vol. 15(18). – P. 4512-4530. https://doi.org/10.3390/cancers15184512.

12. Kim J. Explainable Deep Learning Models for Breast Cancer Detection in Medical Imaging / J. Kim, S. Park, Y. Choi // Healthcare. – 2024. – Vol. 12(7). – P. 1185-1201. https://doi.org/10.3390/healthcare12071185.

13. Al-Masni M. Hybrid CNN and Object Detection Models for Mammogram Classification / M. AlMasni, D. Kim, S. Han // Sensors. – 2025. – Vol. 25(2). – P. 998-1016. https://doi.org/10.3390/s25020998.