Аннотация:
В современной медицинской диагностике компьютерное зрение и глубокое обучение играют все более значимую роль, особенно при анализе сложных трехмерных медицинских изображений. Существенным препятствием для внедрения современных алгоритмов глубокого обучения в клиническую практику являются артефакты и неточности первичной классификации нейронными сетями. В данной работе были систематизированы основные методы постобработки, применяемые в задачах сегментации медицинских изображений, и проведен обзор связанных работ на эту тему. Целью исследования является разработка методов постобработки для устранения ошибок сегментации, связанных с пространственной несвязностью и некорректной классификацией вокселей 3D-снимков. В работе предложен модуль постобработки результатов сегментации КТ-изображений, эффективно решающий проблемы пересекающихся и вложенных патологий. Разработаны и реализованы 3 алгоритма, позволяющие устранять фрагменты ложноположительных ответов нейронной сети. Экспериментальная проверка показала, что предложенные алгоритмы успешно обеспечивают получение единых связных патологий, что повышает качество сегментации и упрощает последующий анализ. Разработанный модуль постобработки может быть интегрирован c существующим нейросетевым фреймворком для сегментации медицинских изображений nnU-Net, что поспособствует улучшению качества диагностики. Результаты исследования открывают перспективы для дальнейшего развития методов постобработки в области медицинской визуализации и могут найти широкое применение в системах поддержки принятия врачебных решений.
Полный текст:
PDF файл (538 kB)