Постобработка результатов сегментации медицинских изображений
- Авторы: Ермоленко С.В.1, Каширина И.Л.1,2, Старичкова Ю.В.2
-
Учреждения:
- Воронежский государственный университет
- МИРЭА – Российский технологический университет
- Выпуск: Том 12, № 2 (2025)
- Страницы: 109-118
- Раздел: Информатика и информационные процессы
- URL: https://journals.eco-vector.com/2313-223X/article/view/678143
- DOI: https://doi.org/10.33693/2313-223X-2025-12-2-109-118
- EDN: https://elibrary.ru/QYVOSN
- ID: 678143
Цитировать
Полный текст



Аннотация
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.
Полный текст

Об авторах
Сергей Витальевич Ермоленко
Воронежский государственный университет
Автор, ответственный за переписку.
Email: ermolenko@math.vsu.ru
ORCID iD: 0009-0008-5159-0123
SPIN-код: 5931-1617
аспирант
Россия, г. ВоронежИрина Леонидовна Каширина
Воронежский государственный университет; МИРЭА – Российский технологический университет
Email: kash.irina@mail.ru
ORCID iD: 0000-0002-8664-9817
SPIN-код: 1299-4820
профессор, кафедра математических методов исследования операций; доктор технических наук; профессор, кафедра технологий искусственного интеллекта
Россия, г. Воронеж; г. МоскваЮлия Викторовна Старичкова
МИРЭА – Российский технологический университет
Email: starichkova@mirea.ru
SPIN-код: 3001-6791
кандидат технических наук; заведующая, кафедра технологий искусственного интеллекта
Россия, г. МоскваСписок литературы
- 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.
- 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.
- 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.
- 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 // 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.
- 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.
- 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.
- 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.
- 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.
Дополнительные файлы
