|
Аннотация.
В статье описывается решение задачи автоматизации процесса сегментации легочных узлов на снимках компьютерной томографии для расширения функционала разработанного ранее модуля определения размеров и объемов легочных узлов. Акцент в работе делается на сравнении точности работы моделей, имеющих архитектуры ResU-Net, Attention U-Net и Dense U-Net, при обучении на снимках компьютерной томографии в исходном виде и с применением двух предлагаемых трехканальных подходов к их предварительной обработке. Для трех рассмотренных архитектур достигнуты значения коэффициента схожести Дайса и пересечения над объединением в диапазонах 0,8570–0,8735 и 0,7545–0,7881 при обучении на трехканальных снимках с усреднением. Полученные результаты позволяют сделать вывод о том, что применение методов предварительной обработки является перспективным для повышения точности сегментации. Также в статье описано обучение модели сегментации долей легких. Доработанный программный модуль принимает на вход снимки компьютерной томографии, а его выходные данные представляют собой обработанные снимки и структурированный отчет DICOM SR.
Ключевые слова:
компьютерное зрение, сегментация, рак легкого, легочный узел, компьютерная томография, медицинские снимки, диагностика, система поддержки принятия врачебных решений.
DOI 10.14357/20718632240407
EDN DZNFQR
Стр. 74-83.
Литература
1. Siegel R. L., Giaquinto A. N., Jemal A. Cancer statistics // CA: A Cancer Journal for Clinicians. 2024. Vol. 74(1).P. 12–49. 2. Tursun-zade R. et al. Sex differences in lung cancer incidence and mortality in Russia in the light of computed tomography usage expansion: breakpoint and age-period-cohort analyses // Cancer Epidemiology. 2024. Vol. 93. P. 102654. 3. Теплякова А. Р. Разработка модуля определения размеров и объемов легочных узлов // Информационные технологии и вычислительные системы. 2024. №1. С. 46–55. 4. Гомболевский В. А. и др. Основные достижения низкодозной компьютерной томографии в скрининге рака легкого // Туберкулез и болезни легких. 2021. № 99 (1). С. 61–70. 5. Armato 3rd S. G. et al. Data From LIDC-IDRI [Data set] // The Cancer Imaging Archive. 2015. 6. Suji R. J. Et al. Optical Flow Methods for Lung Nodule Segmentation on LIDC-IDRI Images // Journal of Digital Imaging. 2020. Vol. 33(5). P. 1306–1324. 7. Yang H. et al. Lung Nodule Segmentation and Uncertain Region Prediction With an Uncertainty-Aware Attention Mechanism // IEEE Transactions on Medical Imaging. 2024. Vol. 43(4). P. 1284–1295. 8. Dong L., Liu H. Segmentation of Pulmonary Nodules Based on Improved UNet++ // Proceedings of the 14th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). Shanghai, China, 2021. P. 1-5. 9. Niranjan Kumar S. et al. Lung Nodule Segmentation Using UNet // Proceedings of the 7th International Conference on Advanced Computing and Communication Systems (ICACCS). 2021. P. 420-424. 10. Bruntha P.M. et al. Lung_PAYNet: a pyramidal attention based deep learning network for lung nodule segmentation // Scientific Reports. 2022. Vol. 12. P. 20330. 11. Selvadass S. et al. SAtUNet: Series atrous convolution enhanced U-Net for lung nodule segmentation // International Journal of Imaging Systems and Technology. 2024. Vol. 34(1). P. 22964. 12. Zhang, X. et al. Lung Nodule CT Image Segmentation Model Based on Multiscale Dense Residual Neural Network // Mathematics. 2023. Vol. 11(6). P. 1363. 13. Chen Y. A. et al. Lung Nodule Segmentation in LDCT: Modified 3D nnUNet with Unified Focal Loss // Proceedings of the International Conference on Electrical, Computer and Energy Technologies (ICECET 2023). Cape Town, South Africa, 2023. 14. Ghasemi S. et al. RePoint-Net detection and 3DSqU2 Net segmentation for automatic identification of pulmonary nodules in computed tomography images // Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization. 2023. Vol. 12(1). P. 2258998. 15. Ma X. et al. An improved V-Net lung nodule segmentation model based on pixel threshold separation and attention mechanism // Scientific Reports. 2024. Vol. 14. P. 4743. 16. Sweetline B. C. Overcoming the Challenge of Accurate Segmentation of Lung Nodules: A Multi-crop CNN Approach // Journal Of Imaging Informatics In Medicine. 2024 Vol. 37(3). P.988–1007. 17. Chen W. et al. CT Lung Nodule Segmentation: A Comparative Study of Data Preprocessing and Deep Learning Models // IEEE Access. 2023. Vol. 11. P. 34925–34931. 18. Теплякова А.Р., Шершнев Р.В., Старков С.О. Метод сегментации мышечной ткани на снимках компьютерной томографии на базе предобработанных трехканальных изображений // Научно-технический вестник информационных технологий, механики и оптики. 2024. № 4, Т. 24. С. 661–664. 19. Kaur R., Juneja M., Mandal A.K. A comprehensive review of denoising techniques for abdominal CT images // Multimedia Tools and Applications. 2018. Vol. 77(17). P. 22735–22770. 20. Perona P., Malik J. Scale-Space and Edge Detection Using Anisotropic Diffusion // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. Vol. 12(7). P. 629–639. 21. Wasserthal J. Dataset with segmentations of 117 important anatomical structures in 1228 CT images (2.0.1) [Data set] // Zenodo. 2023. 22. Armato 3rd S. G. et al. The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): a completed reference database of lung nodules on CT scans // Medical Physics. 2011. Vol. 38(2). P. 915–931. 23. Fedorov A. et al. Standardized representation of the TCIA LIDC-IDRI annotations using DICOM // The Cancer Imaging Archive. 2018.
|
