В.В. Хрящев1

1 Ярославский государственный университет им. П.Г. Демидова (г. Ярославль, Россия)

Постановка проблемы. Алгоритмы и методы анализа видеоизображений в медицине находят применение в такой перспективной области диагностики, как колоноскопические исследования. Подобный анализ дает возможность на ранних стадиях обнаруживать и классифицировать опасные патологии, включая онкологические. Одним из маркеров таких патологий являются полипы толстой кишки – аномальные разрастания ткани, выступающие над слизистой оболочкой. Они часто являются предвестниками достаточно распространенного колоректального рака.

Цель. Исследовать нейросетевые алгоритмы сегментации изображений полипов кишечника на основе методов глубокого машинного обучения.

Результаты. Установлено, что нейросетевой алгоритм SSformer со значением 0,96 по метрике Дайса показывает наилучший результат среди исследуемых алгоритмов. Его преимущество над классическим нейросетевым алгоритмом U-Net составляет 15%, что является значительным улучшением точности сегментации полипов. Выполнено дополнительное тестирование с помощью базы OnkoYar-SEG, которое подтвердило наблюдаемое преимущество алгоритма на базе нейросетевой архитектуры SSformer.

Практическая значимость. Предложенный алгоритм может быть использован в качестве базы для нейросетевой системы анализа полипов при колоноскопических исследованиях.

Хрящев В.В. Сегментация изображений полипов при колоноскопическом исследовании с использованием нейронных сетей // Биомедицинская радиоэлектроника. 2023. T. 26. № 4. С. 66–72. DOI: https://doi.org/10.18127/j15604136-202304-07

1. Палевская С.А., Короткевич А.Г. Эндоскопия желудочно-кишечного тракта. М.: ГЭОТАР-Медиа. 2020.
2. Кашин С.В., Нехайкова Н.В., Завьялов Д.В., Видяева Н.С., Белова А.Н. Скрининг колоректального рака: общая ситуация в мире и рекомендованные стандарты качества колоноскопии // Доказательная гастроэнтерология. 2017. Т. 6. № 4. С. 32–52.
3. Никонов Е.Л., Аксенов В.А., Кашин С.В., Нехайкова Н.В. Международный опыт скрининга колоректального рака // Доказательная гастроэнтерология. 2017. Т. 6. № 3. С. 30–35.
4. Лебедев А.А., Хрящев В.В., Среднякова А.С., Казина Е.М. Разработка алгоритма детектирования полипов на эндоскопических изображениях c использованием сверточных нейронных сетей // Цифровая обработка сигналов. 2021. № 2. С. 55–60.
5. Лебедев А.А. Исследование нейросетевых алгоритмов обнаружения объектов на видеоизображениях в медицинских системах прикладного телевидения: дисс. канд. техн. наук. Ярославль. 2022.
6. Карпов О.Э., Храмов А.Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. М.: ДПК Пресс. 2022.
7. Rangayyan R.M. Biomedical Image Analysis. CRC Press. Boca Raton. 2005. 1306 p.
8. Степанова О.А. Алгоритмы распознавания гистологических и эндоскопических изображений для систем прикладного телевидения в медицине: дисс. … канд. техн. наук. Ярославль. 2019.
9. Masci J., Meier U., Cires D., Schmidhuber J. Stacked convolutional auto-encoders for hierarchical feature extraction. In International Conference on Artificial Neural Networks. 2011. Springer. Р. 52–59.
10. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. Р. 3431–3440.
11. Badrinarayanan V., Kendall A., Cipolla R. Segnet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence. 2017. 39 (12). Р. 2481–2495.
12. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. Springer. 2015. vol. 9351. Р. 234–241.
13. Zhou Z., Siddiquee M., Tajbakhsh N., Liang J. UNet++: A Nested U-Net Architecture for Medical Image Segmentation. arXiv:1807.10165v1 [cs.CV] 18 Jul 2018.
14. Jha D., Smedsrud P., Riegler M., Johansen D., Lange T. et. al. ResUNet++: An Advanced Architecture for Medical Image Segmentation. in 21st IEEE International Symposium on Multimedia. 2019.
15. Azad R., Heidari M., Shariatnia M., Aghdam E., Karimijafarbigloo S. et. al. TransDeepLab: Convolution-Free Transformer-based DeepLab v3+ for Medical Image Segmentation. 2022. arXiv:2208.00713v1 [eess.IV] 1 Aug 2022.
16. Shi W., Xu J., Gao P. SSformer: A Lightweight Transformer for Semantic Segmentation.  arXiv:2208.02034v1 [cs.CV] 3 Aug 2022.
17. Jha D., Smedsrud P., Riegler M., Halvorsen P., Lange T. et. al. Kvasir-seg: A Segmented Polyp Dataset. Proc. of International Conference on Multimedia Modeling. 2020. Р. 451–462.
18. Jha D., Ali S., Tomar N.K., Johansen H., Johansen D. et. al. Real-Time Polyp Detection, Localization and Segmentation in Colonoscopy Using Deep Learning. Computer Vision and Pattern Recognition. 2021. Р. 40496–40510.
19. Image Polygonal Annotation with Python – LabelMe (https://github.com/wkentaro/labelme).
20. Carass A., Roy S., Gherman A., Reinhold J., Jesson A. et. al. Evaluating White Matter Lesion Segmentations with Refined Sørensen-Dice Analysis. Sci Rep. 2020 May 19;10(1):8242. doi: 10.1038/s41598-020-64803