Інтелектуальні алгоритми формування та аналізу медичних зображень
DOI:
https://doi.org/10.31649/1681-7893-2026-51-1-68-78Ключові слова:
медичні зображення, сегментація, реконструкція, глибоке навчання, U-Net, 3D-модель, штучний інтелект, формування зображеньАнотація
У роботі розглянуто застосування інтелектуальних алгоритмів для аналізу та формування медичних зображень у задачах персоналізованої 3D-реконструкції анатомічних структур людини. Проаналізовано сучасні методи сегментації медичних зображень та визначено їх основні недоліки, зокрема недостатню точність при наявності шумів, артефактів і пошкоджених ділянок даних. Запропоновано метод реконструкції, що поєднує алгоритми глибокого навчання та принципи симетрії анатомічних структур. Проведено експериментальне дослідження та порівняння результатів із базовими методами. Отримані результати свідчать про підвищення точності реконструкції та покращення якості відновлення анатомічних структур. У ході дослідження було розроблено інтелектуальний метод персоналізованої 3D-реконструкції анатомічних структур, який поєднує алгоритми глибокого навчання, просторовий аналіз та симетричне відновлення пошкоджених областей. Запропонований метод базується на використанні нейронної мережі U-Net для сегментації медичних зображень та подальшому застосуванні геометричних принципів симетрії для реконструкції відсутніх ділянок структури. Проведене експериментальне дослідження підтвердило ефективність запропонованого методу. Отримані результати показали покращення показників Dice та IoU у порівнянні з класичними алгоритмами та стандартною U-Net сегментацією. Крім того, використання симетричного відновлення дозволило зменшити похибку реконструкції та покращити геометричну цілісність тривимірних моделей.
Посилання
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” in Lecture Notes in Computer Science, vol. 9351, 2015, pp. 234–241.
Ö. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox, and O. Ronneberger, “3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation,” in Lecture Notes in Computer Science, vol. 9901, 2016, pp. 424–432.
F. Milletari, N. Navab, and S.-A. Ahmadi, “V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation,” in Proc. 3DV, 2016, pp. 565–571.
Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh, and J. Liang, “UNet++: A Nested U-Net Architecture for Medical Image Segmentation,” in Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, 2018, pp. 3–11.
F. Isensee, P. F. Jaeger, S. A. A. Kohl, J. Petersen, and K. H. Maier-Hein, “nnU-Net: A self-configuring method for deep learning-based biomedical image segmentation,” Nature Methods, vol. 18, pp. 203–211, 2021.
D. Jha, M. A. Riegler, D. Johansen, P. Halvorsen, and H. D. Johansen, “DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation,” in Proc. IEEE Symp. Computer-Based Medical Systems, 2020, pp. 558–564.
N. Ibtehaz and M. S. Rahman, “MultiResUNet: Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation,” Neural Networks, vol. 121, pp. 74–87, 2020.
M. Yeung, E. Sala, C.-B. Schönlieb, and L. Rundo, “Unified Focal Loss: Generalising Dice and Cross Entropy-Based Losses for Medical Image Segmentation,” Computerized Medical Imaging and Graphics, vol. 95, Art. no. 102026, 2022.
W. E. Lorensen and H. E. Cline, “Marching Cubes: A High Resolution 3D Surface Construction Algorithm,” Computer Graphics, vol. 21, no. 4, pp. 163–169, 1987.
N. Sharma and L. Aggarwal, “Automated medical image segmentation techniques,” Journal of Medical Physics, vol. 35, no. 1, pp. 3–14, 2010.
Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
Z. Huang, J. Ye, H. Wang et al., “Revisiting model scaling with a U-net benchmark for 3D medical image segmentation,” Scientific Reports, vol. 15, Art. no. 29795, 2025.
Intellectual technologies in medical diagnostics, treatment and rehabilitation: monograph / [S.V. Pavlov, O.G. Avrunin, S.M. Zlepko, E.V. Bodianskyi and others]; edited by S. Pavlov, O. Avrunin. – Vinnytsia: PP “TD “Edelweiss and K”, 2019. – 260 p.
Romanyuk, O., Zavalniuk, Y., Pavlov, S., Chekhmestruk, R., etc. (2023). NEW SURFACE REFLECTANCE MODEL WITH THE COMBINATION OF TWO CUBIC FUNCTIONS USAGE. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 13(3), 101–106.
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
