И.И. Гулинская1, Н.Ю. Ильясова2, К.Е. Делов3, Н.С. Демин4, Э.Н. Алехин5

1–4 Самарский национальный исследовательский университет им. академика С.П. Королёва (г. Самара, Россия)
2, 4 Институт систем обработки изображений, НИЦ «Курчатовский институт» (Москва, Россия)
5 Тюменский государственный медицинский университет (г. Тюмень, Россия)
1 Gira.2004@mail.ru, 2 ilyasova.nata@gmail.com, 3 delov_konstantin@mail.ru, 4volfgunus@gmail.com, 5 a-eduard-n@yandex.ru

Постановка проблемы. Развитие современных методов медицинской визуализации и внедрение искусственного интеллекта в клиническую практику создают предпосылки для совершенствования диагностики патологических состояний, включая опухолевые и метастатические поражения. Одной из ключевых задач радионуклидной диагностики стала точная локализация очагов патологического накопления радиофармацевтических препаратов, что требует высокого уровня экспертизы и может быть сопряжено с субъективными ошибками интерпретации. Это определяет необходимость разработки вспомогательных инструментов на основе нейронных сетей, способных повысить точность и объективность диагностики.

Цель. Разработать алгоритм автоматизированного обнаружения очагов патологического накопления радиофармацевтического препарата на основе нейронных сетей для использования в качестве второго мнения при интерпретации радионуклидных исследований.

Результаты. Проведен вычислительный эксперимент с использованием обученных моделей на тестовых данных, в ходе которого достигнута точность обнаружения патологических очагов на уровне 89%. Полученные результаты демонстрируют перспективность применения нейронных сетей для автоматизации анализа радионуклидных изображений.

Практическая значимость. Предложенный алгоритм может быть внедрен в клиническую практику отделений ядерной медицины в качестве вспомогательного инструмента, обеспечивающего повышение точности диагностики, снижение нагрузки на врачей-радиологов и улучшение качества интерпретации исследований.

Гулинская И.И., Ильясова Н.Ю., Делов К.Е., Демин Н.С., Алехин Э.Н. Технология обнаружения очагов патологического накопления радиофармацевтического препарата на основе нейронных сетей // Биомедицинская радиоэлектроника. 2025. T. 28.
№ 5. С. 145−148. DOI: https://doi.org/10. 18127/j156 04136-202505-29

1. Nathan M., Gnanasegaran G., Adamson K., Fogelman I. Bone Scintigraphy: Patterns, Variants, Limitations and Artefacts. Radionuclide and Hybrid Bone Imaging. 2013. V. 1. P. 377–408.
2. Hajianfar G., Sabouri M., Salimi Y., Amini M., Bagheri S., Jenabi E., Hekmat S., Maghsudi M., Mansouri Z., Khateri M., Jamshidi M.H., Jafari E., Rajabi A.B., Assadi M., Oveisi M., Shiri I., Zaidi H. Artificial intelligence-based analysis of whole-body bone scintigraphy: The quest for the optimal deep learning algorithm and comparison with human observer performance. Zeitschrift fur medizinische Physik. 2024. V. 34(2), P. 242–257.
3. Zhao Z., Pi Y., Jiang L, Xiang Y., Wei J., Yang P., Zhang W., Zhong X., Zhou K., Li Y., Li L., Yi Z., Cai H. Deep neural network based artificial intelligence assisted diagnosis of bone scintigraphy for cancer bone metastasis. Scientific Reports. 2020. V. 10(1). P. 51–65.
4. Hsieh T.-C., Liao C.-W., Lai Y.-C., Law K.-M., Chan P.-K., Kao C.-H. Detection of Bone Metastases on Bone Scans through Image Classification with Contrastive Learning. Journal of Personalized Medicine. 2021. V. 11(12). P. 2–13.
5. Aslantaş A., Dandıl E., Çakıroğlu M. CADBOSS: A computer-aided diagnosis system for whole-body bone scintigraphy scans. Journal of Cancer Research and Therapeutics. 2016. V. 12. № 2. P. 787–792.
6. Nasef M. M., Eid F. T., Amin M., Mausad A. An efficient segmentation technique for skeletal scintigraphy image based on sharpness index and salp swarm algorithm. Biomedical Signal Processing and Control. 2023. V. 79. № 1.
7. Jeens P., Freyer R. Synergetic relaxation labelling algorithm for segmentation of SPECT images using a connective model. Proceedings of 17th International Conference of the Engineering in Medicine and Biology Society (Montreal, QC, Canada). 1995.
8. Sajn L., Kukar M., Kononenko I., Milcinski M. Computerized segmentation of whole-body bone scintigrams and its use in automated diagnostics. Computer Methods and Programs in Biomedicine. 2005. V. 80. № 1. P. 47–55.
9. Šajn L., Kononenko I., Milčinski M. Computerized segmentation and diagnostics of whole-body bone scintigrams. Computerized Medical Imaging and Graphics. 2007. V. 31. № 7. P. 531–541.
10. Calin M.A., Elfarra F.-G., Parasca S.V. Object-oriented classification approach for bone metastasis mapping from whole-body bone scintigraphy. Physica Medica. 2021. V. 84. № 9. P. 141–148.