Metody optymalizacji sieci neuronowych w analizie obrazów z koronarografii

Optymalizatory odgrywają kluczową rolę w kontekście efektywnego uczenia się sieci neuronowych, co wynika z ich zdolności do adaptacji wag i parametrów modelu. Precyzyjny dobór optymalizatora stanowi istotny czynnik wpływający na tempo zbieżności modelu, eliminację ryzyka utknięcia w minimum lokalnym oraz efektywne osiągnięcie globalnego minimum funkcji straty. Efektywny wybór optymalizatora może wyeliminować wyzwania związane z niską wydajnością oraz powolnym lub utkniętym procesem uczenia.Głównym celem niniejszej pracy jest dogłębne zbadanie wpływu optymalizatorów w kontekście modelowania sieci neuronowych, z naciskiem na skuteczne rozwiązanie problemu oraz przyspieszenie procesu nauki. W ramach analizy eksperymentalnej wykorzystano zestaw danych pozyskanych z badań koronarograficznych. Celem każdego z modeli jest identyfikacja i lokalizacja zwężeń w naczyniach wieńcowych serca, co stanowi kluczową kwestię z medycznego punktu widzenia. W aspekcie analizy porównawczej modeli, posłużono się miarami jakości, w tym miarą dokładności (accuracy), wskaźnikiem F1, współczynnikiem odzysku (recall) oraz precyzją (precision), co umożliwiło obiektywne i wszechstronne spojrzenie na osiągnięcia każdego z modeli w kontekście wybranego zadania.

Optimizers play a key role in the context of efficient learning of neural networks, which is due to their ability to adapt the weights and parameters of the model. Precise selection of the optimizer is an important factor affecting the rate of model convergence, eliminating the risk of getting stuck in a local minimum, and effectively achieving the global minimum of the loss function. Effective optimizer selection can eliminate the challenges of low performance and slow or stuck learning.The main objective of this paper is to deeply investigate the impact of optimizers in the context of neural network modeling, with a focus on efficient problem solving and accelerating the learning process. As part of the experimental analysis, a set of data obtained from coronagraphic studies was used. The goal of each model is to identify and localize stenosis in the coronary vessels of the heart, which is a key issue from a medical point of view.In terms of the comparative analysis of the models, measures of quality were used, including accuracy, F1, recall and precision, allowing an objective and comprehensive look at the performance of each model in the context of the chosen task.