Найти

Результаты поиска

• УЛУЧШЕНИЕ СЕГМЕНТАЦИИ НА МУЛЬТИФАЗНЫХ КТ СНИМКАХ С ПОМОЩЬЮ ОБУЧАЕМОГО ФАЗОВОГО СОВМЕЩЕНИЯ

  С. В. Ермоленко , И. Л. Каширина

  77-90

  2026-09-10

  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

• НЕЙРОСЕТЕВОЙ АЛГОРИТМ ПОЛНОКАДРОВОГО РАСПОЗНАВАНИЯ НАДВОДНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ

  В. А. Тупиков, В. А. Павлова, В. А. Бондаренко, Н. Г. Холод

  2020-07-10

  Аннотация ▼

  Исследованы современные нейросетевые архитектуры для осуществления автома-тического обнаружения и распознавания надводных объектов и препятствий заданных классов по всей области изображения, применимые к выполнению в реальном или условно реальном времени для задач оптоэлектронной системы технического зрения с целью ав-томатизации и повышения безопасности гражданского судовождения. Дана формальная постановка задачи автоматического обнаружения объектов на изображениях. Проанали-зирован текущий научно-исследовательский задел в области алгоритмов детектирования объектов на изображениях, основанных на искусственных свёрточных нейронных сетях, произведено их сравнение и сделан обоснованный выбор в пользу наиболее эффективной нейросетевой архитектуры по соотношению вычислительной сложности и точности распознавания. Исследованы имеющиеся в открытом доступе базы данных образов над-водных объектов, подходящие для применения при обучении алгоритмов с использованием искусственных нейронных сетей. Сделан вывод о недостаточности имеющихся данных для обучения нейросетевых алгоритмов, в результате чего авторами выполнен самостоятель-ный сбор исследовательских изображений и видеопоследовательностей, произведена под-готовка и разметка собранных данных, содержащих надводные объекты и иные препят-ствия, представляющие навигационную опасность для судов. На основе выбранной архи-тектуры разработан новый нейросетевой алгоритм автоматического обнаружения и распознавания надводных объектов, выполняемого по всей области изображения (т.е. пол-нокадрового), выполнено обучение искусственной нейронной сети по подготовленной базе данных образов типовых объектов. Полученный алгоритм протестирован авторами на валидационном наборе данных, произведена оценка качества его работы с помощью различных метрик, а также оценена производительность алгоритма. Сделаны выводы о необходимости расширения собранной базы данных образов типовых объектов, предложены дальнейшие шаги по повышению точности разработанного программно-алгоритмического комплекса и его внедрению в состав перспективной судовой оптоэлектронной системы технического зрения.