bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2025-23-1-60-67bsuir-4064Research ArticleСтатьиМетодика исследования нейросетевых дескрипторов при решении задачи поиска анатомических слоев на изображениях компьютерной томографии лёгкихMethodology for Studying Neural Network Descriptors in Solving the Problem of Finding Anatomical Layers in Computed Tomography Images of the LungsКосареваА. А.KosarevaA. A.

Косарева Александра Андреевна, ассист. каф. электронной техники и технологии; мл. науч. сотр.

220013, г. Минск, ул. П. Бровки, 6 

 

Kosareva Aleksandra Andreevna, Assistant at the Electronic Engineering and Technology Department; Junior Researcher

220013, Minsk, P. Brovki St., 6 

kosareva@bsuir.byБелорусский государственный университет информатики и радиоэлектроники; Объединенный институт проблем информатики Национальной академии наук БеларусиBelarusian State University of Informatics and Radioelectronics; United Institute of Informatics Problems of the National Academy of Sciences of Belarus2025170220252316067Copyright © Косарева А.А., 20252025Косарева А.А.Kosareva A.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/4064

Поиск анатомических слоев на изображениях компьютерной томографии лёгких позволит упростить задачу диагностирования и планирования лечения, а также автоматизирует процесс разметки изображений при подготовке обучающей выборки. В статье предлагаются методика сравнения нейросетевых дескрипторов и выбор оптимального нейросетевого метода поиска схожих анатомических областей, гибридный алгоритм поиска, основанный на совместном использовании традиционных и нейросетевых дескрипторов. Такой алгоритм позволил улучшить результат нейросетевого поиска анатомических паттернов, выраженный в миллиметрах до искомого слоя, на 47 % для первых десяти найденных изображений класса сердца и на 18 % – для изображений с позициями от 10 до 100. Итоговый результат поиска анатомической области улучшился по сравнению с традиционными подходами на 9,7 % для найденных изображений с позициями от 10 до 100 и на 2 % – для первых десяти найденных изображений.

The search for anatomical layers in lung CT images will simplify the task of diagnosis and treatment planning, as well as automate the process of image partitioning when preparing a training sample. The paper proposes a methodology for comparison of neural network descriptors and selection of an optimal neural network method for searching for similar anatomical regions. Neural network approaches are compared with traditional methods and a hybrid search algorithm based on the joint use of traditional and neural network methods is proposed. Using the proposed algorithm, the neural network search result for anatomical patterns, expressed in mm to the searched layer, was improved by 47 % for the first ten heart-class images found and by 18 % for images with positions from 10 to 100. The final anatomical region search result was improved over using traditional approaches by 9.7 % for retrieved images with positions from 10 to 100 and by 2 % for the first ten retrieved images.

матрицы совместной встречаемостинейросетевые дескрипторыглубокое обучениесверточные нейронные сетиизображения компьютерной томографииco-occurrence matricesneural network descriptorsdeep learningconvolutional neural networkscomputed tomography imagesРабота выполнена при поддержке Белорусского республиканского фонда фундаментальных исследований (проект № Ф22КИТГ-001). Автор выражает благодарность и глубокую признательность кандидату технических наук, доценту Василию Алексеевичу Ковалеву и кандидату технических наук, доценту Павлу Викторовичу Камлачу за ценные рекомендации и замечания в процессе работы над статьей.This work was sponsored by the Belarusian Republican Foundation for Fundamental Research (project No F22KITG-001). The author expresses the gratitude to the Cand. of Sci., Associate Professor Vassili Alekseevich Kovalev and Cand. of Sci., Associate Professor Pavel Viktorovich Kamlach for valuable advice and comments when working on the article.ReferencesWillemink, M. J. Preparing Medical Imaging Data for Machine Learning / M. J. Willemink, W. A. Koszek, C. Hardell // Radiology. 2020. Vol. 295, No 1. Р. 4–15. DOI: 10.1148/radiol.2020192224.Willemink M. J., Koszek W. A., Hardell C., Jie Wu, Fleischmann D., Harvey H., et al. (2020) Preparing Medical Imaging Data for Machine Learning. Radiology. 295 (1), 4–15. DOI: 10.1148/radiol.2020192224.Косарева, А. А. Определение схожего анатомического участка на КТ-изображении грудной клетки с использованием традиционных методов выделения признаков изображения / А. А. Косарева, П. В. Камлач, В. А. Ковалев // Доклады БГУИР. 2022. Т. 20, № 5. С. 48–56.Kosareva A. A., Kamlach P. V., Kovalev V. A. (2022) Determination of a Similar Anatomical Area on a Chest CT Image Using Traditional Image Feature Extraction Methods. Doklady BGUIR. 20 (5), 48–56. https://doi.org/10.35596/1729-7648-2022-20-5-48-56 (in Russian).MosMedData: Chest CT Scans with COVID-19 Related Findings Dataset / S. P. Morozov [et al.] // arXiv:2005.06465.Morozov S. P., Andreychenko A. E., Pavlov N. A., Vladzymyrskyy A. V., Ledikhova N. V., Gombolevskiy V. A., et al. (2020) MosMedData: Chest CT Scans with COVID-19 Related Findings Dataset. arXiv:2005.06465.Исследование и подготовка архива КТ-изображений патологий легких для системы автоматического поиска заданного анатомического участка / А. А. Косарева [и др.] // BIG DATA и анализ высокого уровня: сб. науч. ст. VII Междунар. науч.-практ. конф., г. Минск, 19–20 мая 2021 г. Минск: Бестпринт, 2021. С. 253–257.Kosareva A. A., Snezhko E. V., Kamlach P. V., Kovalev V. A. (2021) Pulmonary Pathologies CT Images Archive`S Research and Preparation for a Given Anatomic Area Automatic System. BIG DATA and Advanced Analytics, Collection of Scientific Articles of the VII International Scientific and Practical Conference, Minsk, 19–20 May. Minsk, Bestprint Publ. 253–257 (in Russian).Xiu, Liu. Deep Learning Approaches to Image Texture Analysis in Material Processing / Xiu Liu, Chris Aldrich // Metals. 2022. Vol. 12, No 2. https://doi.org/10.3390/met12020355.Xiu Liu, Chris Aldrich (2022) Deep Learning Approaches to Image Texture Analysis in Material Processing. Metals. 12 (2). https://doi.org/10.3390/met12020355.Yadav, S. S. Deep Convolutional Neural Network Based Medical Image Classification for Disease Diagnosis / S. S. Yadav, S. M. Jadhav // Journal Big Data. 2019. No 6. https://doi.org/10.1186/s40537-019-0276-2.Yadav S. S., Jadhav S. M. (2019) Deep Convolutional Neural Network Based Medical Image Classification for Disease Diagnosis. Journal Big Data. (6). https://doi.org/10.1186/s40537-019-0276-2.Krizhevsky, A. ImageNet Classification with Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Communications of the ACM. 2017. Vol. 60, No 6. Р. 84–90. DOI: 10.1145/3065386.Krizhevsky A., Sutskever I., Hinton G. E. (2017) ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. 60 (6), 84–90. DOI: 10.1145/3065386.Simonyan, K. Very Deep Convolutional Networks for Large-Scale Image Recognition / К. Simonyan, A. Zisserman // arXiv:1409.1556. 2014. Vol. 1.Simonyan K., Zisserman A. (2014) Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556. 1.Deep Residual Learning for Image Recognition / He Kaiming [et al.] // arXiv:1512.03385. 2015.He Kaiming, Zhang Xiangyu, Ren Shaoqing, Sun Jian (2015) Deep Residual Learning for Image Recognition. arXiv:1512.03385.MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications / A. G. Howard [et al.] // arXiv:1704.04861v1. 2017.Howard A. G., Zhu M., Bo Chen, Kalenichenko D., Wang W., Weyand T. (2017) MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv:1704.04861v1.Big Transfer (BiT): General Visual Representation Learning / A. Kolesnikov [et al.] // arXiv:1912.11370. 2019.Kolesnikov A., Beyer L., Zhai X., Puigcerver J., Yung J. (2019) Big Transfer (BiT): General Visual Representation Learning. arXiv:1912.11370.Mingxing Tan. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks / Mingxing Tan, Quoc V. Le // arXiv:1905.11946. 2019.Mingxing Tan, Quoc V. Le (2019) EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv:1905.11946.Chollet, F. Xception: Deep Learning with Depthwise Separable Convolutions / F. Chollet // Conference on Computer Vision and Pattern Recognition. 2017.Chollet F. (2017) Xception: Deep Learning with Depthwise Separable Convolutions. Conference on Computer Vision and Pattern Recognition.Поиск схожих анатомических областей на КТ-изображениях легких с использованием сверточных нейронных сетей / А. А. Косарева [и др.] // BIG DATA и анализ высокого уровня: сб. науч. ст. VIII Междунар. науч.-практ. конф., г. Минск, 11–12 мая 2022 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2022. С. 476–482.Kosareva A. A., Kamlach P. V., Kovalev V. A, Snezhko E. V., Radzhabov A. G. (2022) Search for Similar Anatomical Areas on CT Images of Lungs Using Convolutional Neural Networks. BIG DATA and Advanced Analytics, Collection of Scientific Articles of the VIII International Scientific and Practical Conference, Minsk, 11–12 May 2022. Minsk, Belarusian State University of Informatics and Radioelectronics. 476–482 (in Russian).

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