vitjВрач и информационные технологииMedical Doctor and Information Technologies1811-01932413-5208Pirogov National Medical and Surgical Center10.25881/18110193_2025_1_42vitj-95Research ArticleОБЗОРЫREVIEWSСовременные подходы к сегментации и анализу структур головного мозга: проблемы и решенияModern approaches to segmentation and analysis of brain structures: problems and solutionsЦыганковВ. А.TsygankovV. A.

Волгоград

Volgograd

Vladimir.Tsygankov27@yandex.ruКудринР. А.KudrinR. A.

д.м.н., доцент

Волгоград

DSc, Associate Professor

Volgograd

rodion.kudrin76@yandex.ruКатаевА. В.KataevA. V.

к.т.н., доцент

Волгоград

PhD, Associate Professor

Volgograd

alexander.kataev@gmail.comШабалинаО. А.ShabalinaO. A.

к.т.н., доцент

Волгоград

PhD, Associate Professor

Volgograd

O.A.Shabalina@gmail.comСадовниковаН. П.SadovnikovaN. P.

д.т.н., профессор

Волгоград

DSc, Professor

Volgograd

n_sadovnikova@vstu.ruФГБОУ ВО «Волгоградский государственный технический университет»РоссияVolgograd State Technical UniversityRussian Federation202524032025014257Copyright © Цыганков В.А., Кудрин Р.А., Катаев А.В., Шабалина О.А., Садовникова Н.П., 20252025Цыганков В.А., Кудрин Р.А., Катаев А.В., Шабалина О.А., Садовникова Н.П.Tsygankov V.A., Kudrin R.A., Kataev A.V., Shabalina O.A., Sadovnikova N.P.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vit-j.ru/jour/article/view/95

В настоящее время искусственный интеллект является одной из наиболее быстро развивающихся областей человеческого знания. Данная тематика имеет большое значение для науки и практики, в целом, и для медицины, в частности. Применение технологий искусственного интеллекта к сегментации зон головного мозга и выявлению аномальных участков особенно востребовано и перспективно в области нейрофизиологии, нейрохирургии, психиатрии, клинической психологии и других медицинских дисциплин. В данной работе проведено исследование существующих методов автоматизированной сегментации и анализа данных о структуре и функциональном состоянии головного мозга, а также метрик, применяемых для оценки эффективности данного подхода.

Цель

Цель: выявление нерешённых проблем и поиск тенденций в разработке методов сегментации и выявления аномальных участков головного мозга, а также определение наиболее эффективных методов и способов их улучшения.

Материалы и методы

Материалы и методы. Работа выполнена с использованием методологии Systematic Mapping Study (SMS). Данное исследование ограничивается предметной областью, связанной с сегментацией зон головного мозга и определением в нём аномальных участков.

Результаты

Результаты. Основные результаты исследования представлены в виде классификационных таблиц и ментальной карты. Показано, что целью рассмотренных исследований является повышение точности при сегментировании зон головного мозга и нахождении аномальных участков. Такая метрика, как время обработки данных, применяется для оценки эффективности метода при малом количестве исследований, а в большинстве случаев вообще не рассматривается. При этом скорость обработки изображений в зависимости от применяемого метода измеряется минутами, что существенно ограничивает возможность использования данного подхода в экстренных ситуациях, в том числе при угрозе жизни человека.

Заключение

Заключение. Для анализа данных о структуре и функциональном состоянии головного мозга в режиме реального времени требуется модификация уже разработанных методов энцефальной сегментации, а также разработка новых, более эффективных подходов. При этом скорость обработки данных должна быть соизмерима со временем вынесения срочного заключения о состоянии головного мозга человека.

Currently, artificial intelligence is one of the most rapidly developing areas of human knowledge. This topic is of great importance for science and practice, in general, and for medicine, in particular. Application of artificial intelligence technologies to the segmentation of brain areas and detection of abnormal areas is especially demanded and promising in the field of neurophysiology, neurosurgery, psychiatry, clinical psychology and other medical disciplines. This paper investigates existing methods for automated segmentation and analysis of data on the structure and functional state of the brain, as well as metrics used to evaluate the effectiveness of this approach.

Materials and methods

Materials and methods. The work was performed using Systematic Mapping Study (SMS) methodology.

This study is limited to the subject area related to segmentation of brain areas and identification of abnormal areas in the brain.

Results

Results. The main results of the study are presented in the form of classification tables and a mental map. It is shown that the purpose of the reviewed research is to improve accuracy in segmenting brain areas and finding abnormal areas. Such a metric as data processing time is used to evaluate the efficiency of the method for a small number of studies, and in most cases it is not considered at all. At the same time, the speed of image processing, depending on the method used, is measured in minutes, which significantly limits the possibility of using this approach in emergency situations, including life-threatening situations.

Conclusion

Conclusion. To analyze data on the structure and functional state of the brain in real time, modification of already developed methods of encephalic segmentation is required, as well as development of new, more efficient approaches. At the same time, the speed of data processing should be commensurate with the time of making an urgent conclusion about the state of the human brain.

нейронные сетиискусственный интеллектмашинное обучениесегментация головного мозганейросети для диагностики мозговой дисфункцииискусственный интеллект в медицинеNeural networksArtificial intelligenceMachine learningBrain segmentationNeural networks for diagnosing brain dysfunctionArtificial intelligence in medicineReferencesВасильева Е.Б., Талыпов А.Э., Петриков С.С. Особенности клинического течения черепно-мозговой травмы при различных видах повреждения головного мозга // НМП. – 2019. – №3. – С.295-301.Vasil'eva EB, Talypov AE, Petrikov SS. Osobennosti klinicheskogo techeniya cherepno-mozgovoj travmy pri razlichnyh vidah povrezhdeniya golovnogo mozga. NMP. 2019; 3: 295-301. (In Russ.) doi: 10.23934/2223-9022-2019-8-3-295-301.Сергеев В.А., Сергеева П.В., Патракова А.А. Клинико-психологический анализ эмоциональноличностных расстройств у больных с отдалёнными последствиями черепно-мозговых травм, осложнённых и неосложнённых алкоголизмом // Научные результаты биомедицинских исследований. – 2020. – №3. – С.417-433.Sergeev VA, Sergeeva PV, Patrakova AA. Kliniko-psihologicheskij analiz emocional'nolichnostnyh rasstrojstv u bol'nyh s otdalyonnymi posledstviyami cherepno-mozgovyh travm, oslozhnyonnyh i neoslozhnyonnyh alkogolizmom. Nauchnye rezul'taty biomedicinskih issledovanij. 2020; 3: 417-433. (In Russ.) doi: 10.18413/2658-6533-2020-6-3-0-11.Лихтерман Л.Б., Кравчук А.Д., Филатова М.М. Сотрясение головного мозга: тактика лечения и исходы // Анналы клинической и экспериментальной неврологии – 2008. – №1. – C.1-10.Lihterman LB, Kravchuk AD, Filatova MM. Sotryasenie golovnogo mozga: taktika lecheniya i iskhody. Annaly klinicheskoj i eksperimental'noj nevrologii. 2008; 1: 1-10. (In Russ.)Трашков А.П., Спирин А.Л., Цыган Н.В., Артеменко М.Р. и др. Глиальные опухоли головного мозга: общие принципы диагностики и лечения // Педиатр. – 2015. – №4. – C.75-84.Trashkov AP, Spirin AL, Cygan NV, Artemenko MR, et al. Glial'nye opuholi golovnogo mozga: obshchie principy diagnostiki i lecheniya. Pediatr. 2015; 4: 75-84. (In Russ.) doi: 10.171816/PED6475-84.Плахова В.В., Кручинина Е.А. Вопросы диагностики и лечения злокачественных новообразований // FORCIPE. – 2019. – №1. – C.564-564.Plahova VV, Kruchinina EA. Voprosy diagnostiki i lecheniya zlokachestvennyh novoobrazovanij. FORCIPE. 2019; 1: 564-564. (In Russ.)Щербук А.Ю., Ерошенко М.Е., Щербук Ю.А. Современные методы картирования функционально значимых зон головного мозга в хирургии опухолей центральных извилин // Вестн. хир. – 2017. – №4. – С.104-109.Shcherbuk AYu, Eroshenko ME, Shcherbuk YuA. Sovremennye metody kartirovaniya funkcional'no znachimyh zon golovnogo mozga v hirurgii opuholej central'nyh izvilin. Vestn. hir. 2017; 4: 104-109. (In Russ.)Кремнева Е.И., Коновалов Р. Н., Кротенкова М. В. Функциональная магнитно-резонансная томография // Анналы клинической и экспериментальной неврологии. – 2011. – №5(1). – C.30-34.Kremneva EI, Konovalov RN, Krotenkova MV. Funkcional'naya magnitno-rezonansnaya tomografiya. Annaly klinicheskoj i eksperimental'noj nevrologii. 2011; 5(1): 30-34. (In Russ.)Куликова С.Н., Брюхов В.В., Переседова А.В., Кротенкова М.В., Завалишин И.А. Диффузионная тензорная магнитно-резонансная томография и трактография при рассеянном склерозе: обзор литературы // Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. – 2012. – №112(2-2). – C.52-59.Kulikova SN, Bryuhov VV, Peresedova AV, Krotenkova MV, Zavalishin IA. Diffuzionnaya tenzornaya magnitno-rezonansnaya tomografiya i traktografiya pri rasseyannom skleroze: obzor literatury. ZHurnal nevrologii i psihiatrii im. S.S. Korsakova. Specvypuski. 2012; 112(2-2): 52-59. (In Russ.)Кротенкова М.В., Суслин А.С., Танашян М.М., Коновалов Р.Н., Брюхов В.В. Диффузионно-взвешенная МРТ и МРТ-перфузия в остром периоде ишемического инсульта // Анналы клинической и экспериментальной неврологии. – 2009. – №3(4). – C.11-16.Krotenkova MV, Suslin AS, Tanashyan MM, Konovalov RN, Bryuhov VV. Diffuzionno-vzveshennaya MRT i MRT-perfuziya v ostrom periode ishemicheskogo insul'ta. Annaly klinicheskoj i eksperimental'noj nevrologii. 2009; 3(4): 11-16. (In Russ.)Шестакова А.Н., Буторина А.В., Осадчий А.Е., Штыров Ю.Ю. Магнитоэнцефалография – новейший метод функционального картирования мозга человека // Экспериментальная психология. – 2012. – №5(2). – С.119-134.SHestakova AN, Butorina AV, Osadchij AE, SHtyrov YUYU. Magnitoencefalografiya – novejshij metod funkcional'nogo kartirovaniya mozga cheloveka. Eksperimental'naya psihologiya. 2012; 5(2): 119-134. (In Russ.)Гуляев С.А. Электроэнцефалография и исследования функциональной активности головного мозга // Русский журнал детской неврологии. – 2021. – №16(4). – C.59-68.Gulyaev SA. Elektroencefalografiya i issledovaniya funkcional'noj aktivnosti golovnogo mozga. Russkij zhurnal detskoj nevrologii. 2021; 16(4): 59-68. (In Russ.)Дюкарев В.В. Позитронно-эмиссионная томография: сущность метода, достоинства и недостатки // БМИК. – 2013. – №3(11). – C.1196.Dyukarev VV. Pozitronno-emissionnaya tomografiya: sushchnost' metoda, dostoinstva i nedostatki. BMIK. 2013; 3(11): 1196. (In Russ.)Санковец Д.Н., Гнедько Т.В., Свирская О.Я. Близкая к инфракрасной спектроскопия (NIRS) – новая краска в палитре неонатолога // Неонатология: Новости. Мнения. Обучение. – 2017. – №1(15). – C.58-71.Sankovec DN, Gned'ko TV, Svirskaya OYA. Blizkaya k infrakrasnoj spektroskopiya (NIRS) – novaya kraska v palitre neonatologa. Neonatologiya: Novosti. Mneniya. Obuchenie. 2017; 1(15): 58-71. (In Russ.)Давыдовский И.В. Врачебные ошибки // Сов. мед. – 1941. – №3. – C.3-10.Davydovskij IV. Vrachebnye oshibki. Sov. med. 1941; 3: 3-10. (In Russ.)Султанов И.Я. О некоторых так называемых объективных причинах диагностических ошибок в практической деятельности врачей // Вестник РУДН. Серия: Медицина. – 2002. – №2. – C.34-38.Sultanov IYA. O nekotoryh tak nazyvaemyh ob"ektivnyh prichinah diagnosticheskih oshibok v prakticheskoj deyatel'nosti vrachej. Vestnik RUDN. Seriya: Medicina. 2002; 2: 34-38. (In Russ.)Сигаева Д.В., Логинов М.С. Влияние качества исходного набора данных для машинного обучения на точность диагноза // Scientist. – 2022. – №4(22). –C.130-132.Sigaeva DV, Loginov MS. Vliyanie kachestva iskhodnogo nabora dannyh dlya mashinnogo obucheniya na tochnost' diagnoza. Scientist. 2022; 4(22): 130-132. (In Russ.)Махамбетчин М.М. К дискуссии о врачебных ошибках // Клиническая медицина. – 2021. – №2. – С.150-152.Mahambetchin MM. K diskussii o vrachebnyh oshibkah. Klinicheskaya medicina. 2021; 2: 150-152. (In Russ.)Андропова П.Л., Гаврилов П.В., Колесникова П.А. и др. Диагностическая эффективность отдельных систем автоматического анализа КТ-изображений в выявлении ишемического инсульта в бассейне средней мозговой артерии // Сибирский журнал клинической и экспериментальной медицины. – 2023. – №3. – С.194-200.Andropova PL, Gavrilov PV, Kolesnikova PA, et al. Diagnosticheskaya effektivnost' otdel'nyh sistem avtomaticheskogo analiza KT-izobrazhenij v vyyavlenii ishemicheskogo insul'ta v bassejne srednej mozgovoj arterii. Sibirskij zhurnal klinicheskoj i eksperimental'noj mediciny. 2023; 3: 194-200. (In Russ.) doi: 10.29001/2073-8552-2023-39-3-194-200.Jin L, Min L, Jianxin W, et al. A Survey of MRI-Based Brain Tumor Segmentation Methods. 2014; 19(6): 578-595. doi: 10.1109/TST.2014.6961028.Jin L, Min L, Jianxin W, et al. A Survey of MRI-Based Brain Tumor Segmentation Methods. 2014; 19(6): 578-595. doi: 10.1109/TST.2014.6961028.Абдулракеб АРА, Сушкова ЛТ, Лозовская НА. Обзор методов сегментации опухолей на МРТ-изображениях головного мозга // Прикаспийский журнал: управление и высокие технологии. – 2015. – №1(29). – C.122-138.Abdulrakeb ARA, Sushkova LT, Lozovskaya NA. Obzor metodov segmentacii opuholej na MRT-izobrazheniyah golovnogo mozga. Prikaspijskij zhurnal: upravlenie i vysokie tekhnologii. 2015; 1(29): 122-138. (In Russ.)Ahlam AH, Sarmad HM, Ban SI. Segmentation and Isolation of Brain Tumors Using Different Images Segmentation Methods. 2024; 21(8): 1-8. doi: 10.21123/bsj.2024.7640.Ahlam AH, Sarmad HM, Ban SI. Segmentation and Isolation of Brain Tumors Using Different Images Segmentation Methods. 2024; 21(8): 1-8. doi: 10.21123/bsj.2024.7640.Kai P, Sairam V, Ludwik K. Guidelines for conducting systematic mapping studies in software engineering: An update, Information and Software Technology. 2015; 64: 1-18. doi: 10.1016/j.infsof.2015.03.007.Kai P, Sairam V, Ludwik K. Guidelines for conducting systematic mapping studies in software engineering: An update, Information and Software Technology. 2015; 64: 1-18. doi: 10.1016/j.infsof.2015.03.007.Vanhala E, Kasurinen J, Knutas A, Herala A. The Application Domains of Systematic Mapping Studies: A Mapping Study of the First Decade of Practice With the Method. 2022; 10: 37924-37937. doi: 10.1109/ACCESS.2022.3165079.Vanhala E, Kasurinen J, Knutas A, Herala A. The Application Domains of Systematic Mapping Studies: A Mapping Study of the First Decade of Practice With the Method. 2022; 10: 37924-37937. doi: 10.1109/ACCESS.2022.3165079.Алексеева М.Г., Зубов А.И., Новиков М.Ю. Искусственный интеллект в медицине // МНИЖ. – 2022. – №7-2(121). – C.10-13.Alekseeva MG, Zubov AI, Novikov MYU. Iskusstvennyj intellekt v medicine. Mnizh. 2022; №7-2(121): 10-13. (In Russ.) doi: 10.23670/IRJ.2022.121.7.038.Иванова В.Н., Латкин А.П., Фершт В.М. Современные подходы к использованию искусственного интеллекта в медицине // Территория новых возможностей. – 2020. – №1. – C.121-130.Ivanova VN, Latkin AP, Fersht VM. Sovremennye podhody k ispol'zovaniyu iskusstvennogo intellekta v medicine. Territoriya novyh vozmozhnostej. 2020; 1: 121-130. (In Russ.). doi: 10.24866/VVSU/2073-3984/2020-1/121-130.Гусев А. Обзор Российских систем искусственного интеллекта для здравоохранения Электронный ресурс Webiomed. Доступно по: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-iskusstvennogo-intellekta-dlia-zdravookhraneniia. Ссылка активна на 20.07.2024.Gusev A. Obzor Rossijskih sistem iskusstvennogo intellekta dlya zdravoohraneniya. Available at: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-iskusstvennogo-intellekta-dlia-zdravookhraneniia. Accessed 20.07.2024. (In Russ.)Bruce F, David HS, Evelina B, et al. Whole Brain Segmentation: Automated Labeling of Neuroanatomical Structures in the Human Brain. 2002; 33: 341-355. doi: 10.1016/S0896-6273(02)00569.Bruce F, David HS, Evelina B, et al. Whole Brain Segmentation: Automated Labeling of Neuroanatomical Structures in the Human Brain. 2002; 33: 341-355. doi: 10.1016/S0896-6273(02)00569.Chen B, Zhang L, Chen H, Liang K, Chen X. A novel extended Kalman filter with support vector machine-based method for the automatic diagnosis and segmentation of brain tumors. 2021; 200: 105797.Chen B, Zhang L, Chen H, Liang K, Chen X. A novel extended Kalman filter with support vector machine-based method for the automatic diagnosis and segmentation of brain tumors. 2021; 200: 105797.Kumar DM, Satyanarayana D, Prasad MG. MRI brain tumor detection using optimal possibilistic fuzzy C-means clustering algorithm and adaptive k-nearest neighbor classifier. Journal of Ambient Intelligence and Humanized Computing. 2021; 12(2): 2867-2880. doi: 10.1007/s12652-020-02444-7.Kumar DM, Satyanarayana D, Prasad MG. MRI brain tumor detection using optimal possibilistic fuzzy C-means clustering algorithm and adaptive k-nearest neighbor classifier. Journal of Ambient Intelligence and Humanized Computing. 2021; 12(2): 2867-2880. doi: 10.1007/s12652-020-02444-7.Srinivasa RA, Chenna RP. MRI brain tumor segmentation and prediction using modified region growing and adaptive SVM. 2021; 25: 4135-4148. doi: 10.1007/s00500-020-05493-4.Srinivasa RA, Chenna RP. MRI brain tumor segmentation and prediction using modified region growing and adaptive SVM. 2021; 25: 4135-4148. doi: 10.1007/s00500-020-05493-4.Sheela CJJ, Suganthi G. Accurate MRI brain tumor segmentation based on rotating triangular section with fuzzy C-means optimisation. Sādhanā. 2021; 46(4). doi: 10.1007/s12046-021-01744-8.Sheela CJJ, Suganthi G. Accurate MRI brain tumor segmentation based on rotating triangular section with fuzzy C-means optimisation. Sādhanā. 2021; 46(4). doi: 10.1007/s12046-021-01744-8.Gokulalakshmi A, Karthik S, Karthikeyan N, Kavitha MS. ICM-BTD: improved classification model for brain tumor diagnosis using discrete wavelet transform-based feature extraction and SVM classifier. 2020; 24: 18599-18609. doi: 10.1007/s00500-020-05096-z.Gokulalakshmi A, Karthik S, Karthikeyan N, Kavitha MS. ICM-BTD: improved classification model for brain tumor diagnosis using discrete wavelet transform-based feature extraction and SVM classifier. 2020; 24: 18599-18609. doi: 10.1007/s00500-020-05096-z.Sharath CP, Soundarya J, Priyadharsini R. Brain tumor detection and classification using K-means clustering and SVM classifier. 2018; 49-63. doi: 10.1007/978-981-13-8323-6_5.Sharath CP, Soundarya J, Priyadharsini R. Brain tumor detection and classification using K-means clustering and SVM classifier. 2018; 49-63. doi: 10.1007/978-981-13-8323-6_5.Hussain A, Khunteta A. Semantic segmentation of brain tumor from MRI images and SVM classification using GLCM features. 2020; 38-43. doi: 10.1109/ICIRCA48905.2020.9183385.Hussain A, Khunteta A. Semantic segmentation of brain tumor from MRI images and SVM classification using GLCM features. 2020; 38-43. doi: 10.1109/ICIRCA48905.2020.9183385.Kumar DM, Satyanarayana D, Prasad MG. An improved Gabor wavelet transform and rough K-means clustering algorithm for MRI brain tumor image segmentation. 2021; 80(1): 6939-6957. doi: 10.1007/s11042-020-09635-6.Kumar DM, Satyanarayana D, Prasad MG. An improved Gabor wavelet transform and rough K-means clustering algorithm for MRI brain tumor image segmentation. 2021; 80(1): 6939-6957. doi: 10.1007/s11042-020-09635-6.Shahajad M, Gambhir D, Gandhi R. Features extraction for classification of brain tumor MRI images using support vector machine. 2021; 767-772. doi: 10.1109/Confluence51648.2021.9377111.Shahajad M, Gambhir D, Gandhi R. Features extraction for classification of brain tumor MRI images using support vector machine. 2021; 767-772. doi: 10.1109/Confluence51648.2021.9377111.Krishnakumar S, Manivannan K. Effective segmentation and classification of brain tumor using rough K means algorithm and multi-kernel SVM in MR images. 2021; 12: 6751-6760. doi: 10.1007/s12652-020-02300-8.Krishnakumar S, Manivannan K. Effective segmentation and classification of brain tumor using rough K means algorithm and multi-kernel SVM in MR images. 2021; 12: 6751-6760. doi: 10.1007/s12652-020-02300-8.Mehrotra R, Ansari MA, Agrawal R. A Novel Scheme for Detection & Feature Extraction of Brain Tumor by Magnetic Resonance Modality Using DWT & SVM. 2020; 225-230. doi: 10.1109/IC3A48958.2020.233302.Mehrotra R, Ansari MA, Agrawal R. A Novel Scheme for Detection & Feature Extraction of Brain Tumor by Magnetic Resonance Modality Using DWT & SVM. 2020; 225-230. doi: 10.1109/IC3A48958.2020.233302.Sarkar A, Maniruzzaman M, Ahsan MS, et al. Identification and classification of brain tumor from MRI with feature extraction by support vector machine. 2020; 1-4. doi: 10.1109/INCET49848.2020.9154157.Sarkar A, Maniruzzaman M, Ahsan MS, et al. Identification and classification of brain tumor from MRI with feature extraction by support vector machine. 2020; 1-4. doi: 10.1109/INCET49848.2020.9154157.Anaya-Isaza A, Mera-Jiménez L. Data augmentation and transfer learning for brain tumor detection in magnetic resonance imaging. 2022; 10(4): 23217-23233. doi: 10.1109/ACCESS.2022.3154061.Anaya-Isaza A, Mera-Jiménez L. Data augmentation and transfer learning for brain tumor detection in magnetic resonance imaging. 2022; 10(4): 23217-23233. doi: 10.1109/ACCESS.2022.3154061.Musallam AS, Sherif AS, Hussein MK. A new convolutional neural network architecture for automatic detection of brain tumors in magnetic resonance imaging images. 2022; 10(99): 2775-2782. doi: 10.1109/ACCESS.2022.3140289.Musallam AS, Sherif AS, Hussein MK. A new convolutional neural network architecture for automatic detection of brain tumors in magnetic resonance imaging images. 2022; 10(99): 2775-2782. doi: 10.1109/ACCESS.2022.3140289.More SS, Mange MA, Sankhe MS, Sahu SS. Convolutional Neural Networkbased Brain Tumor Detection. 2021; 1532-1538. doi: 10.1063/5.0217286.More SS, Mange MA, Sankhe MS, Sahu SS. Convolutional Neural Networkbased Brain Tumor Detection. 2021; 1532-1538. doi: 10.1063/5.0217286.Le N, Yamazaki K, Quach KG, Truong D, Savvides M. A multi-task contextual atrous residual network for brain tumor detection & segmentation. In 2020 25th International Conference on Pattern Recognition. 2021: 5943-5950. doi: 10.1109/ICPR48806.2021.9412414.Le N, Yamazaki K, Quach KG, Truong D, Savvides M. A multi-task contextual atrous residual network for brain tumor detection & segmentation. In 2020 25th International Conference on Pattern Recognition. 2021: 5943-5950. doi: 10.1109/ICPR48806.2021.9412414.Ma L, Zhang F. End-to-end predictive intelligence diagnosis in brain tumor using lightweight neural network. 2021; 111: 107666. doi: 10.1016/j.asoc.2021.107666.Ma L, Zhang F. End-to-end predictive intelligence diagnosis in brain tumor using lightweight neural network. 2021; 111: 107666. doi: 10.1016/j.asoc.2021.107666.Kesav N, Jibukumar MG. Efficient and low complex architecture for detection and classification of Brain Tumor using RCNN with Two Channel CNN. 2022; 34(8): 6229-6242. doi: 10.1016/j.jksuci.2021.05.008.Kesav N, Jibukumar MG. Efficient and low complex architecture for detection and classification of Brain Tumor using RCNN with Two Channel CNN. 2022; 34(8): 6229-6242. doi: 10.1016/j.jksuci.2021.05.008.Ottom MA, Rahman HA, Dinov ID. Znet: deep learning approach for 2D MRI brain tumor segmentation. 2022; 10: 1-8. doi: 10.1109/JTEHM.2022.3176737.Ottom MA, Rahman HA, Dinov ID. Znet: deep learning approach for 2D MRI brain tumor segmentation. 2022; 10: 1-8. doi: 10.1109/JTEHM.2022.3176737.Qader SM, Hassan BA, Rashid TA. An improved deep convolutional neural network by using hybrid optimisation algorithms to detect and classify brain tumor using augmented MRI images. – 2022; 1-28. doi: 10.21203/rs.3.rs-1746725/v1.Qader SM, Hassan BA, Rashid TA. An improved deep convolutional neural network by using hybrid optimisation algorithms to detect and classify brain tumor using augmented MRI images. – 2022; 1-28. doi: 10.21203/rs.3.rs-1746725/v1.Sharif MI, Khan MA, Alhussein M, Aurangzeb K, Raza M. A decision support system for multimodal brain tumor classification using deep learning. Complex & Intelligent Systems. 2021; 8(1): 1-14. doi: 10.1007/s40747-021-00321-0.Sharif MI, Khan MA, Alhussein M, Aurangzeb K, Raza M. A decision support system for multimodal brain tumor classification using deep learning. Complex & Intelligent Systems. 2021; 8(1): 1-14. doi: 10.1007/s40747-021-00321-0.Chanu MM, Thongam K. Computer-aided detection of brain tumor from magnetic resonance images using deep learning network. Journal of Ambient Intelligence and Humanized Computing. 2021; 12: 6911-6922. doi: 10.1007/s12652-020-02336-w.Chanu MM, Thongam K. Computer-aided detection of brain tumor from magnetic resonance images using deep learning network. Journal of Ambient Intelligence and Humanized Computing. 2021; 12: 6911-6922. doi: 10.1007/s12652-020-02336-w.Sethy PK, Behera SK. A data-constrained approach for brain tumor detection using fused deep features and SVM. 2021; 80(4): 28745-28760. doi: 10.1007/s11042-021-11098-2.Sethy PK, Behera SK. A data-constrained approach for brain tumor detection using fused deep features and SVM. 2021; 80(4): 28745-28760. doi: 10.1007/s11042-021-11098-2.Preethi S, Aishwarya P. An efficient wavelet-based image fusion for brain tumor detection and segmentation over PET and MRI image. 2021; 80(1): 14789-14806. doi: 10.1007/s11042-021-10538-3.Preethi S, Aishwarya P. An efficient wavelet-based image fusion for brain tumor detection and segmentation over PET and MRI image. 2021; 80(1): 14789-14806. doi: 10.1007/s11042-021-10538-3.Sharif MI, Li JP, Amin J, Sharif A. An improved framework for brain tumor analysis using MRI based on YOLOv2 and convolutional neural network. 2021; 7: 2023-2036. doi: 10.1007/s40747-021-00310-3.Sharif MI, Li JP, Amin J, Sharif A. An improved framework for brain tumor analysis using MRI based on YOLOv2 and convolutional neural network. 2021; 7: 2023-2036. doi: 10.1007/s40747-021-00310-3.Дмитриев Г.А., Кирсанова А.В., Альбахели В.А.А. Автоматическое выделение области острого ишемического инсульта на МРТ-изображениях // Прикаспийский журнал: управление и высокие технологии. – 2014. – №4(28). – С.166-174.Dmitriev GA, Kirsanova AV, Al'baheli VAA. Avtomaticheskoe vydelenie oblasti ostrogo ishemicheskogo insul'ta na MRT-izobrazheniyah. Prikaspijskij zhurnal: upravlenie i vysokie tekhnologii. 2014; 4(28): 166-174. (In Russ.)Магонов Е.П., Прахова Л.Н., Ильвес А.Г., Катаева Г.В., Трофимова Т.Н. Автоматическая сегментация МРТ-изображений головного мозга: методы и программное обеспечение. – Санкт-Петербург: Коллектив авторов, 2014. – C.1-5.Magonov EP, Prahova LN, Il'ves AG, Kataeva GV, Trofimova TN. Avtomaticheskaya segmentaciya MRT-izobrazhenij golovnogo mozga: metody i programmnoe obespechenie. Sankt-Peterburg: Kollektiv avtorov. 2014: 1-5. (In Russ.)Анджали Х.Т., Анандрао Б.К. Сегментация опухоли головного мозга на магнитно-резонансной томографии с использованием нечеткого деформируемого слияния и алгоритма Dolphin-SCA // Научно-технический вестник информационных технологий, механики и оптики. – 2023. – Т.23. – №4. – C.1-10.Andzhali HT, Anandrao BK. Segmentaciya opuholi golovnogo mozga na magnitno-rezonansnoj tomografii s ispol'zovaniem nechetkogo deformiruemogo sliyaniya i algoritma Dolphin-SCA. Nauchno-tekhnicheskij vestnik informacionnyh tekhnologij, mekhaniki i optiki. 2023; 23(4): 1-10. (In Russ.) doi: 10.17586/2226-1494-2023-23-4-776-785.Зубов А.Ю., Сенюкова О.В. Сегментация изображений магнитно-резонансной томографии головного мозга с помощью сопоставления с несколькими атласами. М.: МГУ имени М.В. Ломоносова, 2015. – C.1-6.Zubov AYU, Senyukova OV. Segmentaciya izobrazhenij magnitno-rezonansnoj tomografii golovnogo mozga s pomoshch'yu sopostavleniya s neskol'kimi atlasami. M.: MGU imeni M.V. Lomonosova. 2015: 1-6. (In Russ.)Зотин А.Г., Кириллова С.В., Курако М.А., Хамад Ю.А., Симонов К.В. Обнаружение опухоли мозга на основе МРТ с применением метода нечеткой кластеризации с-средних. Сибирский государственный университет науки и технологии им. академика М.Ф. Решетнева. – 2019. – C.1-11.Zotin AG, Kirillova SV, Kurako MA, Hamad YUA, Simonov KV. Obnaruzhenie opuholi mozga na osnove mrt s primeneniem metoda nechetkoj klasterizacii s-srednih. Sibirskij gosudarstvennyj universitet nauki i tekhnologii im. akademika M.F. Reshetneva. 2019: 1-11. (In Russ.)Технологии искусственного интеллекта в здравоохранении Электронный ресурс МОСМЕД. Доступно по: https://mosmed.ai. Ссылка активна на 07.08.2024.Tekhnologii iskusstvennogo intellekta v zdravoohranenii. Available at: https://mosmed.ai. Accessed 07.08.2024. (In Russ.)Hongwei BL, Gian MC, Syed MA, et al. The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn). PapersWithCode. 2023; 1-6.Hongwei BL, Gian MC, Syed MA, et al. The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn). PapersWithCode. 2023; 1-6.Lalande A, Chen Z, Decourselle T, et al. Emidec: A Database Usable for the Automatic Evaluation of Myocardial Infarction from Delayed-Enhancement Cardiac MRI. 2020; 5-89.Lalande A, Chen Z, Decourselle T, et al. Emidec: A Database Usable for the Automatic Evaluation of Myocardial Infarction from Delayed-Enhancement Cardiac MRI. 2020; 5-89.Kenneth C, Bruce V, Kirk S, et al. The Cancer Imaging Archive: Maintainingand Operating a Public Information Repository. 2013; 26(6). doi: 1045-1057.10.1007/s10278-013-9622-7.Kenneth C, Bruce V, Kirk S, et al. The Cancer Imaging Archive: Maintainingand Operating a Public Information Repository. 2013; 26(6). doi: 1045-1057.10.1007/s10278-013-9622-7.Eduarda PM, Roberta C, Celine SG, Monica LM. Updating TCGA glioma classification through integration of molecular profiling data following the 2016 and 2021 WHO guidelines. 2023; 11. doi: 10.1101/2023.02.19.529134.Eduarda PM, Roberta C, Celine SG, Monica LM. Updating TCGA glioma classification through integration of molecular profiling data following the 2016 and 2021 WHO guidelines. 2023; 11. doi: 10.1101/2023.02.19.529134.Kennedy KM, Raz N. Social Cognitive Neuroscience, Cognitive Neuroscience, Clinical Brain Mapping. 2015; 58(1): 259-289. doi: 10.1146/annurev.psych.58.110405.085654.Kennedy KM, Raz N. Social Cognitive Neuroscience, Cognitive Neuroscience, Clinical Brain Mapping. 2015; 58(1): 259-289. doi: 10.1146/annurev.psych.58.110405.085654.Румянцев П.О., Саенко В.А., Румянцева У.В., Чекин С.Ю. Статистические методы анализа в клинической практике. Медицинский радиологический научный центр РАМН. – С. 1-44.Rumyancev PO, Saenko VA, Rumyanceva UV, CHekin SYU. Statisticheskie metody analiza v klinicheskoj praktike. Medicinskij radiologicheskij nauchnyj centr RAMN. Р.1-44. (In Russ.)Андропова П.Л., Гаврилов П.В., Савинцева Ж.И., Вовк А.В., Рыбин Е.В. Применение систем искусственного интеллекта в нейрорадиологии острого ишемического инсульта // Лучевая диагностика и терапия. – 2021. – №2(12). – С.30-35.Andropova PL, Gavrilov PV, Savinceva ZHI, Vovk AV, Rybin EV. Primenenie sistem iskusstvennogo intellekta v nejroradiologii ostrogo ishemicheskogo insul'ta. Luchevaya diagnostika i terapiya. 2021; 2(12): 30-35. (In Russ.) doi: 10.22328/2079-5343-2021-12-2-30-36.Толмачев И.В., Стариков Ю.В., Старикова Е.Г. и др. Искусственный интеллект в онкологии: области применения, перспективы и ограничения // Вопросы онкологии – 2022. – №6(68). – C.691-699.Tolmachev IV, Starikov YUV, Starikova EG, et al. Iskusstvennyj intellekt v onkologii: oblasti primeneniya, perspektivy i ogranicheniya. Voprosy onkologii. 2022; 6(68): 691-699. (In Russ.) doi: 10.37469/0507-3758-2022-68-6-691-699.Сидякина И.В., Шаповаленко Т.В., Лядов К.В. Механизмы нейропластичности и реабилитация в острейшем периоде инсульта // Анналы клинической и экспериментальной неврологии. – 2013. – №7(1). – С.52-56.Sidyakina IV, SHapovalenko TV, Lyadov KV. Mekhanizmy nejroplastichnosti i reabilitaciya v ostrejshem periode insul'ta. Annaly klinicheskoj i eksperimental'noj nevrologii. 2013; 7(1): 52-56. (In Russ.)

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