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).
1. 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.
2. 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
3. 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
4. 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
5. Schroeder W., Martin K., Lorensen B. The Visualization Toolkit: An Object-Oriented Approach to 3D Graphics. Kitware; 2006. 512 p.
6. Мартин Р. Чистая архитектура. Искусство разработки программного обеспечения. Санкт-Петербург: Питер; 2022. 352 с.
7. 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
8. 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
9. 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.
10. 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.
11. 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
12. 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
13. 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
14. 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
Кружалов Алексей Сергеевич
ORCID |
Московский политехнический университет
Москва, Российская Федерация
