Kursk
Курск
Kursk
к.т.н.
Курск
PhD
Kursk
Разработана модифицированная модель глубокого обучения для бинарной сегментации почечных патологий на компьютерной томографии. Актуальность исследования определяется потребностью в повышении точности и эффективности выявления аномалий на этапе первичной диагностики, особенно в условиях высокой нагрузки на медицинские учреждения.
Цель работы – создание универсальной системы автоматической детекции и локализации патологий почек без предварительной классификации их морфологического типа.
Методы. В основе модели лежит модифицированная архитектура U-Net с пятью уровнями энкодера и декодера. Внесены изменения: замена максимального пулинга на свёртку с шагом два, использование групповой нормализа- ции и регуляризации методом исключений. Обучение проводилось на клиническом наборе данных из более чем 400 мультиспиральных компьютерных томографий с венозным контрастированием. Предварительная обработка включала преобразование интенсивностей в единицы Хаунсфилда, нормализацию без жёсткого ограничения диапазона и аугментацию данных. Для обучения применялась гибридная функция потерь, сочетающая коэффициент Дайса и бинарную кросс-энтропию.
Результаты. На независимой тестовой выборке достигнуто значение средневзвешенного коэффициента Дайса 0,85. Модель демонстрирует высокую точность сегментации при различных типах патологий – кистах (включая сложные по классификации Bosniak), солидных опухолях и смешанных структурах. Сохраняется устойчивость при анатомических аномалиях (подковообразная почка, дистопия) и при малых размерах очагов (менее 5 мм).
Выводы. Предложенная модель обеспечивает высокую универсальность и применимость в рутинной клинической практике. Возможность детекции широкого спектра патологий без предварительной типизации повышает её клиническую значимость и пригодность для скрининга.
Область применения. Результаты могут быть использованы в онкоурологии для первичного анализа компьютерной томографии, подготовки к хирургическому вмешательству и обучения медицинских специалистов. Перспективна интеграция модели в системы хранения и передачи медицинских изображений для автоматической предобработки исследований.
A modified deep learning model for binary segmentation of renal pathologies in computed tomography (CT) scans has been developed. The relevance of this study stems from the need to improve the accuracy and efficiency of anomaly detection during primary diagnosis, particularly given the high workload faced by medical institutions.
The aim of the study is to create a universal system for the automatic detection and localization of renal pathologies without prior classification of their morphological type.
Methods. The model is based on a modified U-Net architecture featuring five levels in both the encoder and decoder. Key modifications included replacing max pooling with strided convolutions (stride of two), implementing group normalization, and incorporating group normalization and dropout regularization. The model was trained on a clinical dataset comprising over 400 contrast-enhanced multidetector computed tomography (MDCT) scans. Preprocessing included conversion of intensities into Hounsfield units, range-free normalization, and data augmentation. A hybrid loss function combining the Dice coefficient and binary cross-entropy was used during training.
Results. A weighted average Dice coefficient of 0.85 was achieved on an independent test set. The model demonstrates high segmentation accuracy across various types of pathologies, including cysts (including those classified as complex under the Bosniak system), solid tumors, and mixed structures. The model maintains robustness in the presence of anatomical anomalies (such as horseshoe kidney, renal ectopia) when dealing with small lesions (less than 5 mm in size).
Conclusions. The proposed model offers high versatilityand applicability in routine clinical practice. Its ability to detect a wide range of renal pathologies without prior classification enhances its clinical significance and suitability for screening purposes.
Application Area. The results can be utilized in oncourology for initial CT scan analysis, surgical planning, and training of medical professionals. Integrating the model into medical image archiving and communication systems for the automated preprocessing of imaging studies holds significant promise.
The authors declare that there are no conflicts of interest present.