Медицинская Техника / Медицинская техника №6, 2022 / с. 37-39

Алгоритм сегментации тканей почки на КТ-изображениях на базе сверточной нейронной сети U-Net

К.О. Иванов, А.В. Казаринов, В.Н. Дубровин, А.А. Роженцов, А.А. Баев, А.О. Евдокимов

Аннотация

Исследовано влияние различных операций предварительной обработки изображений, а также различных параметров нейронной сети архитектуры U-Net на точность сегментации тканей почки на КТ-изображениях. Установлено, что наибольшая точность сегментации достигается при последовательном применении к каждому изображению операции двухуровневого ограничения по яркости, спецификации гистограммы яркости и приведения динамического диапазона яркости к интервалу [–1, 1]. В отличие от существующих подходов к сегментации изображений при помощи нейронных сетей в рассматриваемой работе после двухуровневого ограничения фоновым пикселям присваиваются значения случайных величин в диапазоне от –1 до 1, имеющих равномерное распределение вероятностей. Кроме того, используется операция маскирования областей изображения, что позволило повысить стабильность обучения нейронной сети.

Вернуться к содержанию

Сведения об авторах

Константин Олегович Иванов, канд. техн. наук, доцент,

Артемий Витальевич Казаринов, ассистент, кафедра радиотехнических и медико-биологических систем, ФГБОУ ВО «Поволжский государственный технологический университет»,

Василий Николаевич Дубровин, д-р мед. наук, профессор, зав. урологическим отделением, ГБУ РМЭ «Республиканская клиническая больница»,

Алексей Аркадьевич Роженцов, д-р техн. наук, профессор, проректор по развитию университетского комплекса,

Алексей Александрович Баев, канд. техн. наук, доцент, зав. кафедрой,

Алексей Олегович Евдокимов, канд. техн. наук, доцент, кафедра радиотехнических и медико-биологических систем, ФГБОУ ВО «Поволжский государственный технологический университет», г. Йошкар-Ола,

e-mail: kazarinov_av@mail.ru

Список литературы

1. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation / 18th International Conference Medical Image Computing and Computer-Assisted Intervention – MICCAI. 2015. Munich, Germany. PP. 234-241.

2. The KiTS19 Challenge Data: 300 Kidney Tumor Cases with Clinical Context, CT Semantic Segmentations, and Surgical Outcomes / https://github.com/neheller/kits19. Retrieved January 25, 2021.

3. Heller N et al. The KiTS19 Challenge Data: 300 Kidney Tumor Cases with Clinical Context, CT Semantic Segmentations, and Surgical Outcomes. 2019 / ArXiv preprint arXiv:1904.00445.

4. Da Cruz L.B. et al. Kidney segmentation from computed tomography images using deep neural network // Computers in Biology and Medicine. 2020. Vol. 123. P. 103906.

5. Вимкер Р., Буелов Т., Клиндер Т., Бергтольдт М., Вахтер-Штеле И. Визуальная деперсонализация массивов медицинских данных для защиты при объемном 3d-рендеринге / Патент RU2017102244A; заявл. 22.06.2015; опубликовано 26.07.2018. Бюл. № 21.

6. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – M.: Техносфера, 2006. 1072 c.

7. Сойфер В.А. и др. Введение в цифровую обработку сигналов и изображений: повышение качества и оценивание геометрических параметров изображений. – Самара: Изд-во СГАУ, 2006. 180 с.

8. Сойфер В.А. и др. Методы компьютерной обработки изображений / 2-е изд., испр. – М.: Физматлит, 2003. 784 с.

9. Франсуа Ш. Глубокое обучение на Python. – СПб.: Питер, 2018. 400 c.

10. Shamir Reuben R. et al. Continuous dice coefficient: A method for evaluating probabilistic segmentations. 2019 / arXiv preprint arXiv:1906.11031.