Несомненно, роль человеческого фактора при проведении диагностики данных, полученных в результате применения метода магнитно-резонансной томографии области головного мозга, крайне велика. Благодаря использованию данного инструментария происходит генерация значительного объема данных (информации), которую специалист может не заметить или неверно истолковать. Зачастую цена такой ошибки может быть фатальна для человеческой жизни. Развитие современных технологий (в первую очередь графических процессоров) делает все более доступным и возможным применение методов глубинного обучения (нейросетей) для минимизации человеческого фактора при принятии решений профильными специалистами. В рамках настоящего исследования была усовершенствована архитектура нейросети в части получения цифровых значений на выходе последнего слоя (регрессия), а также классификатора, проведены эксперименты на двух открытых наборах данных трехмерных (3D) МРТ-снимков головного мозга ABIDE I и HCP (обучение, валидация, тестирование, визуализация). Основной упор сделан на построении архитектуры модели, предобработке входных изображений, подборе гиперпараметров, метрик измерения ошибки для достижения поставленных задач с максимальным качеством работы модели (классификация по гендерному признаку и определение возраста исследуемого).

Undoubtedly, the role of the use of the human factor in identifying data obtained as a result of the use of magnetic resonance imaging of the brain area is extremely large. Through the use of this toolkit, a significant amount of data (information) is generated, which may not be detected or misinterpreted. outcome, the price of such a mistake can be fatal for teenagers. The development of modern technologies (in turn, GPUs) makes it increasingly accessible and likely to apply the first studies of deep learning (neural networks) to minimizing a person. As part of this study, the architecture of the neural network was improved in terms of obtaining digital values at the output of the last layer (regression), as well as the classifier, experiments were carried out on two open data sets of three-dimensional (3D) MRI images of the brain ABIDE I and HCP (training, validation, testing, visualization). The main emphasis is on building the architecture of the model, preprocessing the input images, selecting hyperparameters, error measurement metrics to achieve the goals with the maximum quality of the model (classification by gender and determining the age of the subject).