moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2023.41.2.017 1341 Методика обучения свёрточной нейронной сети по фрагментам медицинских изображений в задаче распознавания церебральных аневризм Patch-based training of a convolutional neural network in the problem of cerebral aneurysms recognition 0000-0003-0004-2334 Кружалов Алексей Сергеевич Kruzhalov Aleksey Sergeevich alexkruzhalov@gmail.com aff-1 Московский политехнический университет Moscow Polytechnic University 01 01 2026 1 1 10.26102/2310-6018/2023.41.2.017 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

Nowadays, intelligent systems are widely used in the field of medicine. Especially relevant is the problem of developing intelligent computer-aided diagnostics (CAD) systems which can be used as an auxiliary tool to improve specialist’s efficiency in the context of the growing volume of medical data requiring analysis and processing. One of the important components of modern CAD systems is the module for recognizing pathological changes in medical images. The paper considers the problem of training a convolutional neural network to recognize cerebral vascular aneurysms. The architecture of a fully convolutional neural network based on the UNet architecture, a data preprocessing technique, a technique for constructing a seamless prediction based on the separation of the original image into a set of intersecting fragments are proposed. The influence of the size of image fragments used for training on the effectiveness of neural network training was investigated. Drawing on the statistical analysis of the results of the conducted computational experiments, it was concluded that the size of the fragment is not a determining parameter since no increase in recognition accuracy is observed with its increase. At the same time, experiments have shown that increasing the batch size while fixing the remaining parameters at the same level can significantly improve the recognition accuracy.

 сверточная нейронная сеть распознавание образов медицинские изображения церебральная аневризма система компьютерной автоматизированной диагностики convolutional neural network pattern recognition medical images cerebral aneurysm computer-aided diagnostics system Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Дороничева А.В., Савин С.З. Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики. Современные проблемы науки и образования. 2014;(4). Берестов В.В. Эмболизация церебральных аневризм в остром периоде геморрагического инсульта: дис. ... канд. мед. наук: 3.1.10. Новосибирск; 2021. 138 с. 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. 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. 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. 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. 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. 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. 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. 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. CADA-Cerebral Aneurysm Detection. Grand Challenge; Available from: https://cada.grand-challenge.org/ (accessed on 20.09.2022). 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. 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. 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. 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. 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.

The authors declare that there are no conflicts of interest present.