Intelligent algorithms for formation and analysis of medical images
DOI:
https://doi.org/10.31649/1681-7893-2026-51-1-68-78Keywords:
medical images, segmentation, reconstruction, deep learning, U-Net, 3D model, artificial intelligence, image formationAbstract
The paper considers the application of intelligent algorithms for medical image analysis and formation in tasks of personalized 3D reconstruction of human anatomical structures. Modern medical image segmentation methods are analyzed and their main limitations are identified, including insufficient accuracy in the presence of noise, artifacts, and damaged image regions. A reconstruction method combining deep learning algorithms and anatomical symmetry principles is proposed. An experimental study and comparison with baseline approaches were conducted. The obtained results demonstrate improved reconstruction accuracy and better restoration quality of anatomical structures. The study developed an intelligent method for personalized 3D reconstruction of anatomical structures, which combines deep learning algorithms, spatial analysis and symmetrical restoration of damaged areas. The proposed method is based on the use of the U-Net neural network for segmentation of medical images and the subsequent application of geometric principles of symmetry for the reconstruction of missing parts of the structure.
The experimental study confirmed the effectiveness of the proposed method. The results obtained showed an improvement in the Dice and IoU indicators compared to classical algorithms and standard U-Net segmentation. In addition, the use of symmetrical restoration allowed to reduce the reconstruction error and improve the geometric integrity of three-dimensional models.
References
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.
Downloads
-
pdf (Українська)
Downloads: 0
Published
How to Cite
Issue
Section
License
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).
