Computational nanotechnologyComputational nanotechnologyComputational nanotechnologyComputational nanotechnologyComputational nanotechnologyComputational nanotechnology2313-223X2587-9693YUR-VAK67814310.33693/2313-223X-2025-12-2-109-118QYVOSNINFORMATICS AND INFORMATION PROCESSINGИНФОРМАТИКА И ИНФОРМАЦИОННЫЕ ПРОЦЕССЫResearch ArticlePost-processing of medical image segmentation resultsПостобработка результатов сегментации медицинских изображенийhttps://orcid.org/0009-0008-5159-01235931-1617ErmolenkoSergey V.ЕрмоленкоСергей Витальевич
Russian Federation

postgraduate student

аспирант

ermolenko@math.vsu.ruhttps://orcid.org/0000-0002-8664-98171299-4820KashirinaIrina L.КаширинаИрина Леонидовна
Russian Federation

Professor, Department of Mathematical Methods of Operations Research; Dr. Sci. (Eng.); Professor, Department of Artificial Intelligence Technologies

профессор, кафедра математических методов исследования операций; доктор технических наук; профессор, кафедра технологий искусственного интеллекта

kash.irina@mail.ru3001-6791StarichkovaYulia V.СтаричковаЮлия Викторовна
Russian Federation

Cand. Sci. (Eng.); Head, Department of Artificial Intelligence Technologies

кандидат технических наук; заведующая, кафедра технологий искусственного интеллекта

starichkova@mirea.ruVoronezh State UniversityВоронежский государственный университетMIREA – Russian Technological UniversityМИРЭА – Российский технологический университет1908202512210911804042025Copyright ©; 2025, Yur-VAKCopyright ©; 2025, Юр-ВАК2025Yur-VAKЮр-ВАКhttps://journals.eco-vector.com/2313-223X/about/editorialPolicieshttps://journals.eco-vector.com/2313-223X/article/view/678143

In modern medical diagnostics, computer vision and deep learning play an increasingly important role, especially in the analysis of complex 3D medical images. A significant obstacle to the implementation of modern deep learning algorithms in clinical practice are artifacts and inaccuracies of the primary classification by neural networks. In this paper, we systematized the main post-processing methods used in medical image segmentation tasks and reviewed related works on this topic. The aim of the study is to develop post-processing methods to eliminate segmentation errors associated with spatial incoherence and incorrect classification of 3D image voxels. In this paper, we propose a post-processing module for CT image segmentation results that effectively solves the problems of intersecting and nested pathologies. Three algorithms have been developed and implemented to eliminate fragments of false positive responses of the neural network. Experimental verification has shown that the proposed algorithms successfully provide unified coherent pathologies, which improves the quality of segmentation and simplifies subsequent analysis. The developed post-processing module can be integrated with the existing neural network framework for segmentation of medical images nnU-Net, which will contribute to improving the quality of diagnostics. The results of the study open up prospects for further development of post-processing methods in the field of medical imaging and can find wide application in systems for supporting medical decision-making.

В современной медицинской диагностике компьютерное зрение и глубокое обучение играют все более значимую роль, особенно при анализе сложных трехмерных медицинских изображений. Существенным препятствием для внедрения современных алгоритмов глубокого обучения в клиническую практику являются артефакты и неточности первичной классификации нейронными сетями. В данной работе были систематизированы основные методы постобработки, применяемые в задачах сегментации медицинских изображений, и проведен обзор связанных работ на эту тему. Целью исследования является разработка методов постобработки для устранения ошибок сегментации, связанных с пространственной несвязностью и некорректной классификацией вокселей 3D-снимков. В работе предложен модуль постобработки результатов сегментации КТ-изображений, эффективно решающий проблемы пересекающихся и вложенных патологий. Разработаны и реализованы 3 алгоритма, позволяющие устранять фрагменты ложноположительных ответов нейронной сети. Экспериментальная проверка показала, что предложенные алгоритмы успешно обеспечивают получение единых связных патологий, что повышает качество сегментации и упрощает последующий анализ. Разработанный модуль постобработки может быть интегрирован c существующим нейросетевым фреймворком для сегментации медицинских изображений nnU-Net, что поспособствует улучшению качества диагностики. Результаты исследования открывают перспективы для дальнейшего развития методов постобработки в области медицинской визуализации и могут найти широкое применение в системах поддержки принятия врачебных решений.

post-processingcomputer visiondeep learningimage segmentationmedical diagnosticsprobability mapsпостобработкакомпьютерное зрениеглубокое обучениесегментация изображениймедицинская диагностикакарты вероятностейSalvi M., Acharya U.R., Molinari F., Meiburger K.M. The impact of pre- and post-image processing techniques on deep learning frameworks: A comprehensive review for digital pathology image analysis. Computers in Biology and Medicine. 2021. Vol. 128. P. 104129.Salvi M., Acharya U.R., Molinari F., Meiburger K.M. The impact of pre- and post-image processing techniques on deep learning frameworks: A comprehensive review for digital pathology image analysis // Computers in Biology and Medicine. 2021. Vol. 128. P. 104129.Camara G., Assunçao R., Carvalho A.X. et al. Bayesian inference for post-processing of remote-sensing image classification. Remote Sensing. 2024. Vol. 16. P. 4572.Camara G., Assunçao R., Carvalho A.X. et al. Bayesian inference for post-processing of remote-sensing image classification // Remote Sensing. 2024. Vol. 16. P. 4572.Linkon A.H.M., Labib M.M., Hasan T. et al. Deep learning in prostate cancer diagnosis and Gleason grading in histopathology images: An extensive study. Informatics in Medicine Unlocked. 2021. Vol. 24. P. 100582.Linkon A.H.M., Labib M.M., Hasan T. et al. Deep learning in prostate cancer diagnosis and Gleason grading in histopathology images: An extensive study // Informatics in Medicine Unlocked. 2021. Vol. 24. P. 100582.Karimi D., Nir G., Fazli L. et al. Deep learning-based gleason grading of prostate cancer from histopathology images – role of multiscale decision aggregation and data augmentation. IEEE J. Biomed. Heal. Informatics. 2019. Vol. 24. Pp. 1413–1426.Karimi D., Nir G., Fazli L. et al. Deep learning-based gleason grading of prostate cancer from histopathology images – role of multiscale decision aggregation and data augmentation // IEEE J. Biomed. Heal. Informatics. 2019. Vol. 24. Pp. 1413–1426.Cipollari S., Guarrasi V., Pecoraro M. et al. Convolutional neural networks for automated classification of prostate multiparametric magnetic resonance imaging based on image quality. J. Magn. Reson. Imaging. 2022. Vol. 55. № 2. Pp. 480–490.Cipollari S., Guarrasi V., Pecoraro M. et al. Convolutional neural networks for automated classification of prostate multiparametric magnetic resonance imaging based on image quality // J. Magn. Reson. Imaging. 2022. Vol. 55. № 2. Pp. 480–490.Le H., Gupta R., Hou L. et al. Utilizing automated breast cancer detection to identify spatial distributions of tumor infiltrating lymphocytes in invasive breast cancer. Am. J. Pathol. 2020. Vol. 190. No. 7.Le H., Gupta R., Hou L. et al. Utilizing automated breast cancer detection to identify spatial distributions of tumor infiltrating lymphocytes in invasive breast cancer // Am. J. Pathol. 2020. Vol. 190. No. 7.Yan R., Ren F., Wang Z. et al. Breast cancer histopathological image classification using a hybrid deep neural network. Methods. 2020. Vol. 173. Pp. 52–60.Yan R., Ren F., Wang Z. et al. Breast cancer histopathological image classification using a hybrid deep neural network // Methods. 2020. Vol. 173. Pp. 52–60.Li Y., Huang X., Wang Y. et al. U-net ensemble model for segmentation in histopathology images. In: MICCAI 2019 Workshop COMPAY. 2019.Li Y., Huang X., Wang Y. et al. U-net ensemble model for segmentation in histopathology images // MICCAI 2019 Workshop COMPAY. 2019.Wei J.W., Tafe L.J., Linnik Y.A. et al. Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks. Sci. Rep. 2019. Vol. 9. Pp. 1–8.Wei J.W., Tafe L.J., Linnik Y.A. et al. Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks // Sci. Rep. 2019. Vol. 9. Pp. 1–8.Leo M., Carcagnì P., Signore L. et al. Convolutional Neural Networks in the Diagnosis of Colon Adenocarcinoma. AI. 2024. Vol. 5. No. 1. Pp. 324–341.Leo M., Carcagnì P., Signore L. et al. Convolutional Neural Networks in the Diagnosis of Colon Adenocarcinoma // AI. 2024. Vol. 5. No. 1. Pp. 324–341.Saeedi S., Rezayi S., Keshavarz H. et al. MRI-based brain tumor detection using convolutional deep learning methods and chosen machine learning techniques. BMC Med. Inform. Decis. Mak. 2023. Vol. 23. P. 16.Saeedi S., Rezayi S., Keshavarz H. et al. MRI-based brain tumor detection using convolutional deep learning methods and chosen machine learning techniques // BMC Med. Inform. Decis. Mak. 2023. Vol. 23. P. 16.Zeng Z., Xie W., Zhang Y., Lu Y. RIC-UNet: An improved neural network based on UNet for nuclei segmentation in histology images. IEEE Access. 2019. Vol. 7. Pp. 21420–21428.Zeng Z., Xie W., Zhang Y., Lu Y. RIC-UNet: An improved neural network based on UNet for nuclei segmentation in histology images // IEEE Access. 2019. Vol. 7. Pp. 21420–21428.Survarachakan S., Prasad P.J.R., Naseem R. et al. Deep learning for image-based liver analysis – A comprehensive review focusing on malignant lesions. Artificial Intelligence in Medicine. 2022. Vol. 130. P. 102331.Survarachakan S., Prasad P.J.R., Naseem R. et al. Deep learning for image-based liver analysis – A comprehensive review focusing on malignant lesions // Artificial Intelligence in Medicine. 2022. Vol. 130. P. 102331.Bilic P., Christ P. et al. The Liver Tumor Segmentation Benchmark (LiTS). Medical Image Analysis. 2023. Vol. 84. P. 102680.Bilic P., Christ P. et al. The Liver Tumor Segmentation Benchmark (LiTS) // Medical Image Analysis. 2023. Vol. 84. P. 102680.Virtanen P., Gommers R., Oliphant T.E. et al. SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods. 2020. Vol. 17. No. 3. Pp. 261–272.Virtanen P., Gommers R., Oliphant T.E. et al. SciPy 1.0: Fundamental algorithms for scientific computing in Python // Nature Methods. 2020. Vol. 17. No. 3. Pp. 261–272.Kulikov A.A., Kashirina I.L., Savkina E.F. Segmentation of liver volumetric lesions in multiphase CT images using the nnU-Net framework. Modeling, Optimization and Information Technology. 2025. Vol. 13. No. 1 (48). (In Rus.)Куликов А.А., Каширина И.Л., Савкина Е.Ф. Сегментация объемных образований печени на мультифазных КТ-изображениях с использованием фреймворка nnU-Net // Моделирование, оптимизация и информационные технологии. 2025. Т. 13. № 1 (48).Isensee F., Jaeger P.F., Kohl S.A. et al. nnU-Net: A self-configuring method for deep learning-based biomedical image segmentation. Nature Methods. 2021. Vol. 18. No. 2. Pp. 203–211.Isensee F., Jaeger P.F., Kohl S.A. et al. nnU-Net: A self-configuring method for deep learning-based biomedical image segmentation // Nature Methods. 2021. Vol. 18. No. 2. Pp. 203–211.