УЛУЧШЕНИЕ СЕГМЕНТАЦИИ НА МУЛЬТИФАЗНЫХ КТ СНИМКАХ С ПОМОЩЬЮ ОБУЧАЕМОГО ФАЗОВОГО СОВМЕЩЕНИЯ
Аннотация
Автоматизированный анализ мультифазных КТ снимков, получаемых в разные моменты времени после введения контрастного вещества, крайне важен для точного выявления патологий, но связан с фундаментальной проблемой пространственного несовпадения изображений на разных фазах из-за дыхания и движения пациента, что приводит к значительному снижению точности автоматической сегментации. Существующие методы предварительной регистрации (совмещения фаз) требуют ручной настройки параметров и не интегрируются в обучаемые конвейеры, что препятствует полной автоматизации процесса сегментации. Цель данного исследования заключалась в разработке дифференцируемого метода совмещения мультифазных КТ-изображений на основе обучаемых линейных аффинных преобразований, полностью встроенного в конвейер обучения модели сегментации. В отличие от традиционных подходов, предложенный метод реализует дифференцируемый модуль аффинной регистрации (включающий перенос, поворот и масштабирование), параметры которого оптимизируются градиентным спуском без ручной настройки и встроены непосредственно в вычислительный граф модели nnU-Net. В работе на открытом датасете КТ органов брюшной полости WAW-TACE проведено сравнение предлагаемого метода с базовым подходом сегментации мультифазных изображений (основанном на простой конкатенации фаз без регистрации) и методом аффинной регистрации, реализованным в библиотеке ITK.Elastix. Относительно сегментации без регистрации достигнут существенный прирост метрик качества: коэффициента Dice на 43,19% и метрики ROC-AUC на 13,55%. По сравнению с Elastix улучшение составило 13,43% по Dice, 6,86% по ROC-AUC и 19,6% по точности определения количества патологий на КТ-снимке. Практическая значимость исследования заключается в разработке готового модуля на PyTorch для интеграции в конвейеры анализа КТ-изображений, обеспечивающего полную автоматизацию регистрации без необходимости в ручной настройке гиперпараметров и с высокой вычислительной эффективностью
Список литературы
1. Isensee, F., Jaeger, P.F., Kohl, S. A., Petersen, J., & Maier-Hein, K.H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation, Nature methods, 2021, 18 (2), pp. 203-211.
2. Palazzo S., Zambetta G., Calbi R. An overview of segmentation techniques for CT and MRI images: Clinical implications and future directions in medical diagnostics, Medical Imaging Process & Technol-ogy, 2024.
3. Kulikov A.A., Kashirina I.L., Savkina E.F. Segmentatsiya ob"emnykh obrazovaniy pecheni na mul'ti-faznykh KT-izobrazheniyakh s ispol'zovaniem freymvorka nnU-Net [Segmentation of volumetric liver lesions on multiphase CT images using the nnU-Net framework], Modelirovanie, optimizatsiya i infor-matsionnye tekhnologii [Modeling, Optimization and Information Technology], 2025, Vol. 13, No. 1 (48).
4. Zang L. et al. Research on liver cancer segmentation method based on PCNN image processing and SE-ResUnet, Scientific Reports, 2023, Vol. 13, No. 1, pp. 12779.
5. Sun Q. et al. UCR-Net: U-shaped context residual network for medical image segmentation, Computers in Biology and Medicine, 2022, Vol. 151, pp. 106203.
6. Liu S. et al. Segmenting nailfold capillaries using an improved U-net network, Microvascular Research, 2020, Vol. 130, pp. 104011.
7. Lv P. et al. An improved residual U-Net with morphological-based loss function for automatic liver segmentation in computed tomography, Math. Biosci. Eng., 2022, Vol. 19, No. 2, pp. 1426-1447.
8. Cheremiskin A.V., Kashirina I.L. Segmentatsiya mul'tifaznykh KT-izobrazheniy s ispol'zovaniem an-samblya modeley RESUNET [Segmentation of multiphase CT images using the RESUNET model en-semble], Vestnik Voronezhskogo gosudarstvennogo universiteta. Seriya: Sistemnyy analiz i infor-matsionnye tekhnologii [Bulletin of the Voronezh State University. Series: Systems Analysis and Information Technology], 2025, No. 3, pp. 140-152.
9. Ermolenko S.V., Kashirina I.L., Starichkova Yu.V. Postobrabotka rezul'tatov segmentatsii meditsinskikh izobrazheniy [Post-processing of medical image segmentation results], Computational Nanotechnology, 2025, Vol. 12, No. 2, pp. 109-118.
10. Islam K.T., Wijewickrema S. & O’Leary S. A deep learning based framework for the registration of three dimensional multi-modal medical images of the head, Sci Rep., 2021, 11, 1860. Available at: https://doi.org/10.1038/s41598-021-81044-7.
11. Uhm K.H. et al. Deep learning for end-to-end kidney cancer diagnosis on multi-phase abdominal com-puted tomography, NPJ precision oncology, 2021, Vol. 5, No. 1, pp. 54.
12. Pérez de Frutos J. et al. Learning deep abdominal CT registration through adaptive loss weighting and synthetic data generation, Plos one, 2023, Vol. 18, No. 2, pp. e0282110.
13. Balakrishnan G. et al. Voxelmorph: a learning framework for deformable medical image registration, IEEE transactions on medical imaging, 2019, Vol. 38, No. 8, pp. 1788-1800.
14. Wu L. et al. Beyond radiologist-level liver lesion detection on multi-phase contrast-enhanced CT images by deep learning, Iscience, 2023, Vol. 26, No. 11.
15. Nayantara P.V. et al. Automatic liver segmentation from multiphase CT using modified SegNet and ASPP module, SN Computer Science, 2024, Vol. 5, No. 4, pp. 377.
16. Bartnik K. et al. WAW-TACE: a hepatocellular carcinoma multiphase CT dataset with segmentations, radiomics features, and clinical data, Radiology: Artificial Intelligence, 2024, Vol. 6, No. 6,
pp. e240296.
17. Wasserthal J. et al. TotalSegmentator: robust segmentation of 104 anatomic structures in CT images, Radiology: Artificial Intelligence, 2023, Vol. 5, No. 5, pp. e230024.
18. Isensee F. et al. nnu-net revisited: A call for rigorous validation in 3d medical image segmentation, In-ternational Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer Nature Switzerland, 2024, pp. 488-498.
19. Klein S. et al. Elastix: a toolbox for intensity-based medical image registration, IEEE transactions on medical imaging, 2009, Vol. 29, No. 1, pp. 196-205.
20. Boussot V. et al. IMPACT: A Generic Semantic Loss for Multimodal Medical Image Registration, arXiv preprint arXiv:2503.24121, 2025.
21. Paszke A. et al. Pytorch: An imperative style, high-performance deep learning library, Advances in neu-ral information processing systems, 2019, Vol. 32.
22. Li Y., Zhang X. Adaptive moment estimation optimization algorithm using projection gradient for deep learning, Fifth International Conference on Applied Mathematics, Modelling, and Intelligent Computing (CAMMIC 2025). SPIE, 2025, Vol. 13644, pp. 501-511.
