На сегодняшний день интеллектуальные системы находят все более широкое применение в области медицины. Особенно актуальной является задача разработки интеллектуальных систем компьютерной автоматизированной диагностики (КАД), которые могут быть использованы как вспомогательный инструмент, позволяющий повысить эффективность работы специалиста в условиях постоянного роста объема медицинских данных, требующих анализа и обработки. Одной из важных составных частей современных систем КАД является модуль распознавания патологических изменений на медицинских изображениях. В работе рассматривается задача обучения свёрточной нейронной сети распознаванию аневризм сосудов головного мозга. Предлагается архитектура полностью свёрточной нейронной сети на базе архитектуры UNet, методика предварительной обработки данных, методика построения «бесшовного» прогноза на основе разделения исходного изображения на набор пересекающихся фрагментов. Проводится исследование влияния размера используемых для обучения фрагментов изображений на эффективность обучения нейронной сети. На основе статистического анализа результатов проведенных вычислительных экспериментов был сделан вывод, что размер фрагмента не является определяющим параметром, так как при его увеличении не наблюдается рост точности распознавания. При этом эксперименты показали, что увеличение размера пакета обучающих примеров при фиксации остальных параметров на прежнем уровне позволяет существенно повысить точность распознавания.
1. Дороничева А.В., Савин С.З. Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики. Современные проблемы науки и образования. 2014;(4).
2. Берестов В.В. Эмболизация церебральных аневризм в остром периоде геморрагического инсульта: дис. ... канд. мед. наук: 3.1.10. Новосибирск; 2021. 138 с.
3. Park A., Chute C., Rajpurkar P., Lou J., Ball R.L., Shpanskaya K., et al. Deep Learning-Assisted Diagnosis of Cerebral Aneurysms Using the HeadXNet Model. JAMA network open. 2019;2(6):e195600. Available from: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2735471.
4. Shi Z., Miao C., Schoepf U.J., Savage R.H., Dargis D.M., Pan C, et al. A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images. Nature Communications. 2020;11(1):1–11. DOI: 10.1038/s41467-020-19527-w.
5. Zhu G., Luo X., Yang T., Cai L., Yeo J.H., Yan G., et al. Deep learning-based recognition and segmentation of intracranial aneurysms under small sample size. Frontiers in Physiology. 2022;13:2580.
6. Cicek O., Abdulkadir A., Lienkamp S.S., Brox T., Ronneberger O. 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation. Medical Image Computing and Computer-Assisted Intervention – MICCAI. 2016. Available from: http://arxiv.org/abs/1606.06650.
7. Milletari F., Navab N., Ahmadi S.A. V-net: Fully convolutional neural networks for volumetric medical image segmentation. 2016 fourth international conference on 3D vision (3DV). 2016:565–571.
8. Kerfoot E., Clough J., Oksuz I., Lee J., King A.P., Schnabel J.A. Left-ventricle quantification using residual U-Net. Statistical Atlases and Computational Models of the Heart. Atrial Segmentation and LV Quantification Challenges: 9th International Workshop, STACOM 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16, 2018, Revised Selected Papers 9. 2019:371–380.
9. Brutzkus A., Globerson A., Malach E., Netser A.R., Shalev-Schwartz S. Efficient Learning of CNNs using Patch Based Features. International Conference on Machine Learning. 2022:2336–2356.
10. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation. Proceedings of the IEEE conference on computer vision and pattern recognition. 2015:3431–3440.
11. CADA-Cerebral Aneurysm Detection. Grand Challenge; Available from: https://cada.grand-challenge.org/ (accessed on 20.09.2022).
12. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015;9351:234–241.
13. Oktay O., Schlemper J., Folgoc L.L., Lee M., Heinrich M., Misawa K., et al. Attention U-Net: Learning Where to Look for the Pancreas; 2018. Available from: https://arxiv.org/abs/1804.03999v3.
14. Su Z., Jia Y., Liao W., Lv Y., Dou J., Sun Z., et al. 3D attention U-Net with pretraining: a solution to CADA-Aneurysm segmentation challenge. Cerebral Aneurysm Detection and Analysis: First Challenge, CADA 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings 1. 2021:58–67.
15. Kruzhalov A., Philippovich A. Analysis of Thresholding Methods for the Segmentation of Brain Vessels. In: Recent Trends in Analysis of Images, Social Networks and Texts: 10th International Conference, AIST 2021, Tbilisi, Georgia, December 16–18, 2021, Revised Selected Papers. 2022:85–95.
16. Shahzad R., Pennig L., Goertz L., Thiele F., Kabbasch C., Schlamann M., et al. Fully automated detection and segmentation of intracranial aneurysms in subarachnoid hemorrhage on CTA using deep learning. Scientific Reports. 2020;10(1):1–12.
