В.В. Хрящев1, Н.В. Котов2, А.A. Тихомиров3, И.С. Ненахов4

1–4 Ярославский государственный университет им. П.Г. Демидова (г. Ярославль, Россия)

1 v.khryashchev@uniyar.ac.ru, 2 nik-kotov-98@inbox.ru, 3 atikhomirov.00@gmail.com, 4 ilya.nenakhov@gmail.com

Постановка проблемы. Важной областью медицинских исследований стала эндоскопическая диагностика, в том числе с целью раннего выявления онкологических заболеваний. Ценность процедуры колоноскопии как эффективного скринингового метода диагностики зависит от качества проведенного осмотра слизистой оболочки толстой кишки. При колоноскопии обязательно доведение колоноскопа до купола слепой кишки более чем в 95% случаев. Наличие области купола на сохраненных изображениях и видеопоследовательностях исследования свидетельствует о соответствии проведенного исследования одному из важных регламентов качества колоноскопической процедуры.

Цель. Разработать и исследовать алгоритмы автоматического поиска области купола слепой кишки на видеоданных эндоскопической диагностики.

Результаты. Собрана база данных для обучения и тестирования алгоритмов по 43 пациентам в составе 4618 изображений купола слепой кишки. Разработан комбинированный алгоритм АДКТ–ОП, имеющий преимущество, достигаемое за счет использования алгоритма анализа оптического потока, которое составляет 0,14 по метрике F1. Предложенный алгоритм можно использовать не только для постобработки архивных видеоданных, но и для применения его в процессе самого обследования, в режиме реального времени.

Практическая значимость. Разработанный алгоритм позволит проводить объективную процедуру контроля качества колоноскопического исследования в части достижения области купола слепой кишки согласно медицинским регламентам.

Хрящев В.В., Котов Н.В., Тихомиров А.A., Ненахов И.С. Комбинированный алгоритм анализа изображений для контроля качества колоноскопического исследования // Биомедицинская радиоэлектроника. 2025. T. 28. № 1. С. 64−74. DOI: https://doi.org/ 10.18127/j15604136-202501-05

1. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение // ДМК‑Пресс. 2017. 652 с.
2. Zhou S.K., Greenspan H., and Shen D. Deep Learning for Medical Image Analysis. Elsevier Science. 2017.
3. Ильясова Н.Ю., Лякин М.Я., Демин Н.С. Выявление симптома матового стекла на изображениях компьютерной томографии лёгких на основе анализа групп текстурных признаков // Биомедицинская радиоэлектроника. 2024. T. 27. № 2. С. 13–17.
4. Байдин Г.С., Букреев Д.Д. Методика распознавания злокачественных новообразований в желудке человека на снимках компьютерной томографии с использованием алгоритмов обработки изображений // Биомедицинская радиоэлектроника. 2019. № 5. С. 5–14.
5. Абдуллаев Н.Т., Мусеви У.Н., Пашаева К.Ш. Применение различных методов оптимизации при расчете погрешности нейронной сети для диагностирования паразитарных заболеваний желудочно-кишечного тракта // Биомедицинская радиоэлектроника. 2021. № 1. С. 29–34.
6. Палевская С.А., Короткевич А.Г. Эндоскопия желудочно-кишечного тракта. М.: ГЭОТАР-Медиа, 2020. 752 c.
7. Munzer B., Schoeffmann K., Boszormenyi L. Content-based processing and analysis of endoscopic images and videos: A survey. Multimed. Tools Appl. 2018. 77. Р. 1323–1362.
8. Куваев Р.О., Никонов Е.Л., Кашин С.В., Капранов В.А., Гвоздев А.А. Контроль качества эндоскопических исследований, перспективы автоматизированного анализа эндоскопических изображений // Кремлевская медицина. Клинический вестник. 2013. Т. 2. С. 51–56.
9. Кашин С.В., Никонов Е.Л., Нехайкова Н.В., Лилеев Д.В. Стандарты качественной колоноскопии (пособие для врачей) // Доказательная гастроэнтерология. 2019. 8(1-2):3–32.
10. Leiman D.A., Metz D.C., Ginsberg G.G., Howell J.T., Mehta S.J., Ahmad N.A. A novel electronic medical record–based workflow to measure and report colonoscopy quality measures // Clinical Gastroenterology and Hepatology. 2016. 14(3):333–337.
11. Akbar M., Shima R., Soroushmehr S.M.R., Karimi N., Samavi S., and Najarian K. Classification of informative frames in colonoscopy videos using convolutional neural networks with binarized weights // International conference of the IEEE Engineering in Medicine and Biology Society. 2018. Р. 65–68.
12. Bisschops R., Areia M., Coron E., Dobru D., Kaskas B. et al. Performance measures for upper gastrointestinal endoscopy: a European Society of Gastrointestinal Endoscopy (ESGE) Quality Improvement Initiative // Endoscopy. 2016. 48(9). Р. 843–864.
13. Ballesteros C., Trujillo M., Mazo C., Chaves D., Hoyos J. Automatic classification of non-informative frames in colonoscopy videos using texture analysis. In: Iberoamerican congress on pattern recognition. Cham: Springer. 2016. 401–408.
14. Bernstein C., Thorn M., Monsees K., Spell R., O’Connor J.B. A prospective study of factors that determine cecal intubation time at colonoscopy // Gastrointestinal Endoscopy. 2005. 61(1):72–75.
15. Cho M., Kim J.H., Kong H.J., Hong K.S., Kim S. A novel summary report of colonoscopy: timeline visualization providing meaningful colonoscopy video information // International Journal of Colorectal Disease. 2018. 33(5):549–559.
16. Хрящев В.В., Завьялов Д.В., Андержанова А.С. Классификация эндоскопических изображений устья червеобразного отростка на основе методов глубокого машинного обучения // Цифровая обработка сигналов. 2023. № 1. С. 35–38.
17. Хрящев В.В. Использование методов глубокого машинного обучения в задаче обнаружения купола слепой кишки на видеоданных колоноскопического исследования // Модели, системы, сети в экономике, технике, природе и обществе. 2023. № 4. С. 133–141.
18. Котов Н.В., Хрящев В.В., Тихомиров А.A. Исследование нейросетевой архитектуры YOLO для обнаружения изображения купола слепой кишки в колоноскопии // Цифровая обработка сигналов и ее применение (DSPA-2024) / Докл. 26-й междунар. конф. М., 2024. С. 151–155.
19. Zhang Y., Sun P., Jiang Y., Yu D., Weng F., Yuan Z., Luo P., Liu W., Wang X. Bytetrack: Multi-object tracking by associating every detection box // European Conference on Computer Vision. Springer. 2022. Р. 1‑21.
20. Horn B., Schunck B. Determining optic flow // Artificial intelligence. 1981. V. 17. Р. 185–203.
21. Клетте Р. Компьютерное зрение. Теория и алгоритмы / Пер. с англ. А.А. Слинкин. М.: ДМК Пресс. 2019. 506 с.
22. Cho M., Kim J.H., Hong K.S., Kim J.S., Kong H.-J., Kim S. 2019. Identification of cecum time-location in a colonoscopy video by deep learning analysis of colonoscope movement. PeerJ 7:e7256.
23. Приоров А.Л., Хрящев В.В., Топников А.И. Обработка и передача мультимедийной информации: учебное пособие. Ярославль: ЯрГУ. 2022. 248 c.