Analiza porównawcza optymalizatorów w detekcji wzorców w obrazach zmian skórnych przy zastosowaniu transformerów wizyjnych

Praca magisterska przedstawia obszerne porównanie wpływu wybranych, szeroko używanych w przemyśle optymalizatorów na efektywność uczenia sieci neuronowych typu Vision Transformers. W pracy szczegółowo przeanalizowano architektury wybranych sieci neuronowych, wskazując i podkreślając różnice między nimi. Wytrenowano szereg modeli, które następnie zostały poddane ocenie pod względem efektywności uczenia, poprawności klasyfikacji osiągniętej na zbiorze testowym, czasu trenowania oraz innych popularnych metryk. Ponadto, w pracy przeanalizowano literaturę medyczną, podsumowując sposoby i techniki, za pomocą których dermatolodzy oceniają typ i złośliwość zmian skórnych, podkreślając obszary, które potencjalnie mogłyby zyskać na dokładności dzięki zastosowaniu automatycznych modeli uczenia maszynowego. Badania zostały przeprowadzone na infrastrukturze badawczej PlGrid, używając dostępnych klastrów obliczeniowych takich jak Athena. Obrazy zmian skórnych zostały pozyskane od International Skin Imaging Collaboration - organizacji wspierającej badania nad nowotworami skóry.

This thesis presents a comprehensive comparative study on the impact of various industry-standard optimizers on the performance of Vision Transformers. It shows a thorough overview of the used neural network architectures, pointing out the differences between the selected models. All trained classifiers are evaluated concerning their training performance, convergence, and common classification metrics. Moreover, this research reviews the medical literature, summarising the fundamental dermoscopy principles and presenting an overview of how dermatologists assess and evaluate skin lesions, while highlighting areas where automated machine learning models could offer improvements, supported by current global statistics. This research was conducted on the PLGrid infrastructure, utilising the available computational resources on several computing clusters such as Athena and using the datasets provided by the International Skin Imaging Collaboration. These findings contribute to the development of more robust and efficient artificial intelligence tools for supporting dermatological diagnosis in clinical practice.