moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.51.4.017 2037 Разработка прототипа системы компьютерной автоматизированной диагностики с использованием платформы 3D Slicer Development of a prototype of a computer-aided diagnostic system using 3D Slicer 0000-0003-0004-2334 Кружалов Алексей Сергеевич Kruzhalov Alexey Sergeevich alexkruzhalov@gmail.com aff-1 Московский политехнический университет Moscow Polytechnic University 01 01 2026 1 1 10.26102/2310-6018/2025.51.4.017 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Статья посвящена разработке прототипа системы компьютерной автоматизированной диагностики для распознавания аневризм сосудов головного мозга с использованием платформы 3D Slicer. Актуальность работы обусловлена растущей нагрузкой на специалистов, занимающихся интерпретацией медицинских изображений, что требует автоматизации диагностических процессов для повышения качества оказания медицинской помощи. Важность предварительного прототипирования систем компьютерной автоматизированной диагностики на начальных этапах работы над системой определяется необходимостью проверки концепции системы и используемых алгоритмов, выявления потенциальных проблем и улучшения взаимодействия между техническими специалистами и экспертами в области медицины. В статье описываются ключевые аспекты разработки, включая использование открытых библиотек и плагинов, а также применение шаблонов проектирования для повышения гибкости и модульности программного кода. Основное внимание уделяется проектированию системы, включая архитектуру программного обеспечения, выбор используемых технологий и реализацию ключевых компонентов. Разработанный прототип системы позволяет пользователю выбирать изображения и модели распознавания, а также строить 3D-визуализации выделенных областей. Результаты работы демонстрируют эффективность предложенного подхода, а также возможности последующей интеграции разработанного прототипа с медицинскими информационными системами и системами архивации и передачи изображений (PACS).

The article is devoted to the development of a prototype of a computer-aided diagnostics system for recognizing cerebral aneurysms using the 3D Slicer platform. The relevance of the work is due to the growing workload of specialists involved in the interpretation of medical images, which requires automation of diagnostic processes to improve the quality of medical care. The importance of prototyping computer-aided diagnostic systems at the initial stages of work on the system is determined by the need to test the concept of the system and the algorithms used, identify potential problems and improve interaction between technical specialists and experts in the field of medicine. The article describes key aspects of the development, including the use of open libraries and plugins, as well as the application of design patterns to increase the flexibility and modularity of the code. The main focus is on the design of the system, including the software architecture, the choice of technologies used and the implementation of key components. The prototype of the system allows the user to select images and recognition models, as well as build 3D visualizations of the highlighted areas. The results of the work demonstrate the effectiveness of the proposed approach, as well as the possibilities of subsequent integration of the developed prototype with medical information systems and picture archiving and communication systems (PACS).

 система компьютерной автоматизированной диагностики прототипирование программного обеспечения медицинская визуализация 3D Slicer искусственный интеллект в медицине computer-aided diagnostics system software prototyping medical imaging 3D Slicer artificial intelligence in medicine Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Осипов Л.В., Долгушин М.Б., Михайлов А.И. и др. Заглянуть в человека: визуализация в медицине. Вестник Российского государственного медицинского университета. 2016;(4):4–14. Kikinis R., Pieper S.D., Vosburgh K.G. 3D Slicer: A Platform for Subject-Specific Image Analysis, Visualization, and Clinical Support. In: Intraoperative Imaging and Image-Guided Therapy. New York: Springer; 2014. P. 277–289. https://doi.org/10.1007/978-1-4614-7657-3_19 Nolden M., Zelzer S., Seitel A., et al. The Medical Imaging Interaction Toolkit: Challenges and Advances. International Journal of Computer Assisted Radiology and Surgery. 2013;8(4):607–620. https://doi.org/10.1007/s11548-013-0840-8 McCormick M., Liu X., Jomier Ju., Marion Ch., Ibanez L. ITK: Enabling Reproducible Research and Open Science. Frontiers in Neuroinformatics. 2014;8. https://doi.org/10.3389/fninf.2014.00013 Schroeder W., Martin K., Lorensen B. The Visualization Toolkit: An Object-Oriented Approach to 3D Graphics. Kitware; 2006. 512 p. Мартин Р. Чистая архитектура. Искусство разработки программного обеспечения. Санкт-Петербург: Питер; 2022. 352 с. Ronneberger O., Fischer Ph., Brox Th. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015: Proceedings: Part III: 18th International Conference, 05–09 October 2015, Munich, Germany. Cham: Springer; 2015. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28 Кружалов А.С. Методика обучения свёрточной нейронной сети по фрагментам медицинских изображений в задаче распознавания церебральных аневризм. Моделирование, оптимизация и информационные технологии. 2023;11(2). https://doi.org/10.26102/2310-6018/2023.41.2.017 Кружалов А.С., Филиппович А.Ю. Особенности применения сверточных нейронных сетей для распознавания аневризм сосудов головного мозга. В сборнике: Математические методы распознавания образов: Тезисы докладов 21-й Всероссийской конференции с международным участием, 12–15 декабря 2023 года, Москва, Россия. Москва: Российская академия наук; 2023. С. 192–194. Paszke A., Gross S., Massa F., et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library. In: Proceedings of the 33rd International Conference on Neural Information Processing Systems, 08–14 December 2019, Vancouver, BC, Canada. New York: Curran Associates, Inc.; 2019. P. 8026–8037. Pérez-García F., Sparks R., Ourselin S. TorchIO: A Python Library for Efficient Loading, Preprocessing, Augmentation and Patch-Based Sampling of Medical Images in Deep Learning. Computer Methods and Programs in Biomedicine. 2021;208. https://doi.org/10.1016/j.cmpb.2021.106236 Harris Ch.R., Millman K.J., van der Walt S.J., et al. Array Programming with NumPy. Nature. 2020;585(7825):357–362. https://doi.org/10.1038/s41586-020-2649-2 Van der Walt S., Schönberger J.L., Nunez-Iglesias Ju., et al. scikit-image: Image Processing in Python. PeerJ. 2014;2. https://doi.org/10.7717/peerj.453 Yaniv Z., Lowekamp B.C., Johnson H.J., Beare R. SimpleITK Image-Analysis Notebooks: A Collaborative Environment for Education and Reproducible Research. Journal of Digital Imaging. 2018;31(3):290–303. https://doi.org/10.1007/s10278-017-0037-8

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