Разработка интеллектуальной системы для анализа рентгенограмм грудной клетки на основе сверточных нейронных сетей: сегментация анатомических структур и автоматический расчет кардиоторакального индекса

Представлены результаты разработки интеллектуальной системы для автоматизированного анализа рентгенограмм органов грудной клетки, включая этапы семантической сегментации анатомических структур и расчета кардиоторакального индекса. Проведен сравнительный анализ 10 архитектур сверточных нейронных сетей на основе U-Net и SegNet с варьированием слоев повышения разрешения, типов нормализации и функций активации, а также с применением трансферного обучения с использованием предобученной модели ResNet18. Обучение и оценка моделей выполнены на открытом наборе данных miniJSRT (247 изображений). Наилучшие результаты сегментации достигнуты с помощью модели ResUNet (средний IoU = 0.9382). Для автоматического расчета кардиоторакального индекса по полученным маскам разработан алгоритм, определяющий срединную линию и поперечные размеры срединной тени и грудной клетки. Валидация системы на независимом наборе из 31 рентгенограммы высокого разрешения показала, что наибольшую точность относительно экспертных измерений обеспечивает модель UNetModInstanceNormLeakyReLU (средняя абсолютная ошибка MAE = 0.0169, относительная ошибка 4.0 %, коэффициент корреляции Пирсона = 0.898). Полученные данные свидетельствуют о перспективности использования нейросетевой сегментации для автоматизации расчета кардиоторакального индекса и служат основой для дальнейшей адаптации метода к задачам клинической диагностики.

Авторы: П. М. Нурахунов, А. А. Мелдо, И. Ю. Прохоров

Направление: Информатика, вычислительная техника и управление

Ключевые слова: сверточные нейронные сети, семантическая сегментация, рентгенография грудной клетки, кардиоторакальный индекс, медицинская диагностика, глубокое обучение, U-Net, SegNet, трансферное обучение, ResNet18

---

Открыть полный текст статьи