А.К. Ал-Зубаиди1
1 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

1 azhrstar90@gmail.com

Постановка проблемы. Применение технологий искусственного интеллекта в медицине является важным аспектом повышения качества жизни населения. В настоящее время одним из приоритетных направлений развития здравоохранения является профилактика смертности от онкологических заболеваний. Среди особенно важных задач можно отметить своевременную диагностику таких патологий, как рак молочной железы.

Цель. Разработать интеллектуальную модель для сегментации опухолей на ультразвуковых изображениях с использованием нейросетевой архитектуры U-Net.

Результаты. Проведен аналитический обзор современных источников по проблематике исследования. Разработан метод сегментации опухолей молочной железы на основе нейросетевой архитектуры U-Net с пропускными соединениями. Реализовано программное обеспечение с использованием языка Python. Проведено обучение модели с использованием общедоступного датасета. Отмечено, что реализованная модель обеспечила высокие количественные показатели эффективности.

Практическая значимость. Полученные результаты могут найти применение в задачах автоматизированной диагностики онкологических заболеваний. Результаты работы направлены на реализацию диагностических модулей в рамках интегрированной медицинской информационной системы.

Ал-Зубаиди А.К. Методика интеллектуальной сегментации опухолей на ультразвуковых изображениях с использованием нейросетевой архитектуры U-Net // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 3. С. 26–32. DOI: https://doi.org/ 10.18127/j19998554-202503-04

1. Голубева Т.С., Тодуа Н.Г., Белова Е.В. Эпидемиология и диагностика рака молочной железы на современном этапе // Universum: медицина и фармакология. 2025. № 1 (118). С. 48–55.
2. Yap M.H., Pons G., Marti J. et al. Automated breast ultrasound lesions detection using convolutional neural networks // IEEE Journal of Biomedical and Health Informatics. 2017. V. 28. № 4. P. 1218–1226.
3. Морозова Т.А., Смирнов И.В. Ультразвуковая диагностика опухолей молочной железы // Ультразвук в медицине. 2022. Т. 28. № 2. С. 56–62.
4. Litjens G., Kooi T., Bejnordi B.E. et al. A survey on deep learning in medical image analysis // Medical Image Analysis. 2017. V. 42. P. 60–88.
5. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // MICCAI 2015. Lecture Notes in Computer Science. 2015. V. 9351. P. 234–241.
6. Islam M.R., Rahman M., Ali M. et al. Enhancing breast cancer segmentation and classification: An ensemble deep convolutional neural network and U-Net approach on ultrasound images // Machine Learning with Applications. 2024. V. 16. P. 100555. DOI: 10.1016/j.mlwa.2024.100555.
7. Алзубаиди А.К., Петров А.А. Использование возможностей моделей машинного обучения EfficientNetB0 для анализа рентгеновских изображений при диагностике туберкулеза // Нейрокомпьютеры: разработка, применение. 2024. Т. 26 № 5. С. 41–48. DOI: 10.18127/j19998554-202405-04.
8. База данных ультразвуковых изображений молочной железы (Breast ultrasound dataset) [Электронный ресурс] / URL: https://www.kaggle.com/datasets/aryashah2k/breast-ultrasound-images-dataset (дата обращения: 09.10.2024).
9. Al-Dhabyani W., Gomaa M., Khaled H., Fahmy A. Dataset of breast ultrasound images // Data in Brief. 2020. V. 28. P. 104863. DOI: 10.1016/j.dib.2019.104863.
10. Федоров А.С., Дмитриев К.Н. Использование сверточных нейронных сетей для сегментации медицинских изображений // Информационные технологии и вычислительные системы. 2019. № 3. С. 45–53.
11. Захаров В.А., Кузнецова М.В. Автоматизированная сегментация медицинских изображений с использованием методов глубокого обучения // Вестник компьютерной графики и обработки изображений. 2021. Т. 15. № 1. С. 20–30.
12. Yap M.H., Goyal M., Osman F.M., Martí R. et al. Breast ultrasound lesions recognition: A review // Medical Image Analysis. 2018. V. 36. P. 252–275.
13. Milletari F., Navab N., Ahmadi S.A. V-Net: Fully convolutional neural networks for volumetric medical image segmentation // Proceedings of the 4th International Conference on 3D Vision (3DV). 2016. P. 565–571.
14. Oktay O., Schlemper J., Le Folgoc L., Lee M. et al. Attention U-Net: Learning where to look for the pancreas // arXiv preprint arXiv:1804.03999. 2018.