ВИКОРИСТАННЯ СЕГМЕНТАТОРІВ НА БАЗІ НЕЙРОННИХ МЕРЕЖ ДЛЯ АВТОМАТИЗАЦІЇ ОБРОБКИ ВЕЛИКИХ МАСИВІВ ДАНИХ КОМП’ЮТЕРНОЇ ТОМОГРАФІЇ - Наукові конференції
Головна
UA PL EN

Вас вітає Інтернет конференція!

Вітаємо на нашому сайті

Рік заснування видання - 2011

ВИКОРИСТАННЯ СЕГМЕНТАТОРІВ НА БАЗІ НЕЙРОННИХ МЕРЕЖ ДЛЯ АВТОМАТИЗАЦІЇ ОБРОБКИ ВЕЛИКИХ МАСИВІВ ДАНИХ КОМП’ЮТЕРНОЇ ТОМОГРАФІЇ

10.04.2026 13:25

[1. Інформаційні системи і технології]

Автор: Алфьоров Андрій Ігорович, аспірант, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ; Настенко Євген Арнольдович, доктор біологічних наук, кандидат технічних наук, професор, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ; Линник Микола Іванович, доктор біологічних наук, «Національний науковий центр фтизіатрії, пульмонології та алергології ім. Ф. Г. Яновського НАМН України», м. Київ


ORCID: 0009-0001-0733-4981 Алфьоров А.І.

ORCID: 0000-0002-1076-9337 Настенко Є.А.

ORCID: 0000-0002-0011-7482 Линник М.І.

Сучасна променева діагностика характеризується накопиченням великої кількості медичних даних. І якщо для одної процедури отримання даних та їх аналізу лікарем ще підходять традиційні методи ручної оцінки цих даних то для досліджень та розробки алгоритмів автоматичної обробки цих даних необхідно оброблювати величезні обсяги інформації, що потребує дуже багато часу. При аналізі комп’ютерної томографії (КТ) та магнітно резонансної томографії (МРТ) часто необхідно визначити конкретну зону інтересу в якій буде проводитись аналіз пікселів або їх поєднань, що представляють щільність простору у відповідних положеннях.

Використання сегментаторів на основі нейронних мереж, що дозволяють виділяти анатомічні структури на зображеннях КТ та МРТ допомагає пришвидшити аналіз великих масивів цих даних.

Прикладом такого сегментатора є TotalSegmentator [2], шо є інструментом для сегментації більшості основних анатомічних структур на будь-якому КТ або МРТ. Він був навчений на широкому спектрі різних КТ та МРТ (різні сканери, установи, протоколи) і тому добре працює на більшості зображень. Він дозволяє сегментувати 27 органів, 59 кісток, 10 м’язів та 8 судин [1].

Даний сегментатор має 2 основних режими роботи, а саме моделі з кроком між пікселями 1.5мм та 3мм. До прикладу при використанні 1.5мм моделей для формування масок хребту на КТ з кроком 0.7мм спочатку КТ буде приведене до кроку в 1.5мм, просегментоване, а потім знову розгорнуте в маску ідентичної піксельної розмірності що і КТ. Враховуючи цей крок в цьому прикладі в результуючій масці 1 піксель отриманий сегментатором в середньому займатиме 8 пікселів маски. Тому можна застосувати інтерполяцію бітових масок [3] для отримання покращеної маски. Результат застосування на поперековому хребці показано на рис. 1.

 

Рис. 1 початкова маска на Аксіальному зрізі зліва, та ця ж маска після застосування інтерполяції бітової маски справа

TotalSegmentator [2] в режимі 1.5мм було використано для сегментації хребта з 168 КТ 38 унікальних пацієнтів різної статі віком від 20 до 74 років на момент створення КТ. Досліджуваною областю в цих КТ була грудна клітина тобто на всіх КТ були присутні хребці грудного відділу та частково присутні хребці шийного та поперекового відділів. На рис 2 показано результат застосування сегментатора для отримання масок хребців хребта.

 

Рис. 2 тривимірна реконструкція КТ зліва та отримана маска справа

Також щоб пришвидшити оцінку результатів сегментації з файлів сегментації генерувався короткий звіт по пікселям маски де рахувалась сума пікселів всіх масок у всіх трьох площинах та автоматично обирався сагітальний зріз, що найбільше містив в собі маски хребта. На цьому обраному зрізі було відображено всі маски хребців в двох градаціях кольору для швидшої оцінки. Приклад цього зрізу з наявною помилкою в визначені номера хребця показано на рис. 3. 




Рис. 3 приклад фрагменту звіту з зрізом на якому видно помилкове визначення номерів хребців

Подібні помилки накладання масок було виявлено в 45 з 168 (26.8%) файлах сегментіації.

Загалом сегментатори такого типу можуть бути дуже корисними для обробки великих масивів даних КТ або МРТ в дослідницьких цілях. Але з аналізу результатів сегментації видно, що з отриманням масок конкретних хребців у оглянутого сегментатора є проблеми, а саме було виявлено помилки в 26.8% файлах сегментацій отриманих з 168 КТ, але сам хребет загалом виділяється цілком правильно. Тому ці маски є цілком корисними та пришвидшують процес обробки великих баз КТ або МРТ, але багато з них потребують доопрацювання.

Література:

1. Wasserthal J., Breit H.-C., Meyer M.T., Pradella M. at al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images // Radiology: Artificial Intelligence. 2023. Vol. 5, No. 5. e230024. DOI: https://pubs.rsna.org/doi/10.1148/ryai.230024

2. Програмний продукт TotalSegmentator та його документація. URL: https://github.com/wasserth/TotalSegmentator (дата звернення: 06.04.2026)

3. Алфьоров А. І., Настенко Є. А. Метод багатовимірної інтерполяції бітових масок медичних зображень комп’ютерної томографії // Біомедична інженерія і технологія. Київ, 2025. № 17  С. 60-68. DOI: https://doi.org/10.20535/.2025.17.326372



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Інші наукові праці даної секції

Конференції

Конференції 2026

Конференції 2025

Конференції 2024

Конференції 2023

Конференції 2022

Конференції 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення