Н.Ю. Ильясова1, Д.В. Некрасова2, Е.В. Заров3, Н.С. Демин4, С.С. Первушкин5

1–4 Самарский национальный исследовательский университет им. академика С.П. Королева (г. Самара, Россия)
1,4 Институт систем обработки изображений, НИЦ «Курчатовский институт» (Москва, Россия)
5 Самарский государственный медицинский университет Минздрава России (г. Самара, Россия)
1 ilyasova.nata@gmail.com, 2 dashanek007@gmail.com, 3 zarov.gcg@gmail.com, 4 volfgunus@gmail.com,
5 Sergey.pervushkin@gmail.com

Постановка проблемы. Остеопороз – широко распространенное заболевание у лиц старше 50 лет, труднодиагностируемое из-за слабой визуализации признаков на рентгенограммах, что обуславливает необходимость внедрения автоматизированных методов анализа медицинских изображений для повышения точности и объективности диагностики.

Цель. Провести сравнительный анализ двух подходов к диагностике остеопороза по рентгенограммам поясничного отдела позвоночника: нейросетевого и гибридного. Определить, какой из методов более эффективен в условиях ограниченных ресурсов и клинической применимости.

Результаты. Нейросетевой метод показал высокую точность классификации, подтверждая эффективность глубокого обучения, тогда как гибридный подход при точности 78% обеспечил лучшую полноту для положительного класса, снижая риск ложноотрицательных результатов. Выбор метода зависит от требуемого баланса между точностью и интерпретируемостью.

Практическая значимость. Результаты важны для систем поддержки диагностики остеопороза: нейросети обеспечивают точную автоматизацию, а гибридные методы — интерпретируемость и устойчивость при ограниченных ресурсах, повышая достоверность и снижая нагрузку на врачей.

Ильясова Н.Ю., Некрасова Д.В., Заров Е.В., Демин Н.С., Первушкин С.С. Нейросетевые и гибридные технологии в диагностике остеопороза: анализ рентгеновских изображений позвоночника // Биомедицинская радиоэлектроника. 2025. T. 28. № 5.
С. 141−144. DOI: https://doi.org/10. 18127/j156 04136-202505-28

1. Вербовой А.Ф., Пашенцева А.В., Шаронова Л.А. Остеопороз: современное состояние // Терапевтический архив. 2017. Т. 89. № 5. С. 90–97. DOI 10.17116/terarkh201789590-97. EDN YSYUSP.
2. Климова Ж.А., Зафт А.А., Зафт В.Б. Современная лабораторная диагностика остеопороза // Международный эндокринологический журнал. 2014. С. 1–10.
3. Круз А.С., Линс Х.К., Медейрос Р.В.А. и др. Искусственный интеллект по идентификации групп риска остеопороза, общий обзор // Биомедицинская инженерия онлайн. 2018. Т. 17. С. 1–17.
4. Гайдель А.В., Первушкин С.С. Исследование текстурных особенностей для диагностики заболеваний костной ткани с помощью рентгенограмм // Компьютерная оптика. 2013. Т. 37. № 1. С. 113–120.
5. Рен С., Хе К., Гиршик Р., Сан Д. Более быстрый R-CNN: на пути к обнаружению объектов в реальном времени с помощью Region Proposal Networks // Труды IEEE по анализу образов и машинному интеллекту. 2016. Т. 39. № 6. С. 1137–1149.
6. Чен Л.С., Папандреу Г., Шрофф Ф., Адам Х. Переосмысление строевой свертки для семантической сегментации изображений // Компьютерное зрение и распознавание образов. 2017. DOI: https://doi.org/10.48550/arXiv.1506.01497.
7. Харалик Р.М., Шанмугам К., Динштейн И. Текстурные особенности для классификации изображений // IEEE Transactions on Systems, Man, and Cybernetics. 1973. № 6. P. 610–621.
8. Хуанг Д., Шань К., Ардабилян М. и др. Локальные бинарные паттерны и их применение к анализу изображений лица: обзор // IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 2011. Т. 41. № 6. С. 765–781.