Постобработка результатов сегментации медицинских изображений

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

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

Доступ закрыт

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. Воронеж

Ирина 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. Москва

Юлия Викторовна Старичкова

МИРЭА – Российский технологический университет

Email: starichkova@mirea.ru
SPIN-код: 3001-6791

кандидат технических наук; заведующая, кафедра технологий искусственного интеллекта

Россия, г. Москва

Список литературы

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  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.
  8. Li Y., Huang X., Wang Y. et al. U-net ensemble model for segmentation in histopathology images // MICCAI 2019 Workshop COMPAY. 2019.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. Bilic P., Christ P. et al. The Liver Tumor Segmentation Benchmark (LiTS) // Medical Image Analysis. 2023. Vol. 84. P. 102680.
  15. 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.
  16. 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).
  17. 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

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Проблемные сегменты патологий печени после сегментации с использованием нейронной сети: a – пересечение двух патологий; b – одна патология внутри другой и есть мелкий артефакт; c – сегмент патологии находится вне печени, маска которой выделена фиолетовым цветом

Скачать (137KB)
3. Рис. 2. Результат подбора порога вероятности для классификации точки как патологической

Скачать (94KB)
4. Рис. 3. Результат сегментации КТ печени после применения постобработки к полученным из нейронной сети картам вероятностей: a – объединение пересекающихся патологий с помощью алгоритмов 1–3; b – удаление вложенной патологии; c – все сегменты находятся внутри маски печени

Скачать (133KB)

© Юр-ВАК, 2025

Ссылка на описание лицензии: https://www.urvak.ru/contacts/