23.05.2025

Возможности искусственного интеллекта в сегментации и детекции изображений позвоночника на современном этапе развития: систематический обзор

С самого начала теоретического обоснования создания искусственного интеллекта возникали идеи о создании электронного помощника для врача. Наиболее эффективными для решения такой задачи в медицинской диагностике являются комплексные системы, основанные на одном из самых продвинутых методов искусственного интеллекта — нейросетях

Введение.

За последние 100 лет медицина значительно шагнула вперед. Если раньше можно было довольствоваться сбором жалоб и клиническим осмотром, то ХХ век наравне со знаменитыми открытиями в области ядерной физики знаменит еще появлением целого набора высокотехнологических инструментальных методов исследования, таких как рентгенология, компьютерная томография, магнитно-резонансная томография, ультразвуковая диагностика, позитронно-эмиссионная томография, без которых уже довольно трудно представить работы врача в условиях современного медицинского учреждения. Несмотря на технический прогресс, нагрузка на врача-рентгенолога неуклонно растет, при условии того, что всегда существует некий дефицит кадров. С самого начала теоретического обоснования создания искусственного интеллекта возникали идеи о создании электронного помощника для врача, который бы не только в чем-то помогал ему, но и даже мог его вполне заменить. С наступлением XXI века, с развитием машинного обучения, некогда существовавшие на бумаге физиков и математиков- теоретиков рассуждения о виртуальном ассистенте становятся вполне возможными. Наиболее эффективными для решения задач в медицинской диагностике являются комплексные системы, основанные на одном из самых продвинутых методов искусственного интеллекта — искусственных нейронных сетях.

В 1942 г. была выпущена совместная работа Мак- Каллока и Питца, в которой описан принцип вычислений в нейронных сетях на основе результатов физиологии нервной системы и математической логики. Ученые рассказали, что сеть, составленная из большого количества таких элементарных процессорных единиц, с синхронно работающими синаптическими связями, могут выполнить практически любые вычисления. Эта статья стала настоящим успехом и причиной зарождения таких областей, как искусственный интеллект и нейронные сети. В 1958 г. была создана первая нейросеть под названием пер- цептрон. За следующие 50 лет происходил значительный прогресс в развитии машинного обучения, постепенно внедрялись в практику более сложные методы анализа изображений.

На сегодня испытания с нейросетями проходят в самых различных областях медицины: пульмонологии (определение объема поражения легочной ткани при COVID-19 пневмонии), кардиологии (диагностика ишемической болезни сердца), онкологии (выявление объемных образований различной локализации — в легких, головном мозге, печени, почках, предстательной железе с их дифференцировкой на доброкачественные и злокачественные), гастроэнтерологии (прогнозирование абдоминального сепсиса у пациентов с острым панкреатитом), травматологии и ортопедии (прогнозирование результатов отдаленного лечения остеомиелита) [1-4].

Целью данного обзора литературы является определение возможностей нейросетей на современном этапе их развития в области таких задач, как сегментация и обнаружение изображений позвоночника.

Однако, несмотря на прогресс нейросетей, в некоторых областях, таких как вертебрология, существует определенный дефицит информации, связанный со сложным строением, функционированием и недостаточным количеством специалистов в данной области. Лучевая диагностика и терапия

Материалы и методы.

Выполнен систематический обзор источников литературы по методу PRISMA-ScR [5] за период с января 2017 по 31 декабря 2022 г. при помощи базы данных Pubmed. Ключевые слова, по которым производился поиск в аннотации или заголовке: («deep learning» OR «neural network» OR «artificial Intelligence») AND («spine») AND («detection» OR «segmentation»). В качестве модальностей использовались лучевые методы исследования, с использованием которых возможно обучение нейросетей на современном этапе развития, таких как классическая рентгенография, компьютерная томография, магнитно-резонансная томография. Ключевые слова были выбраны в связи с их вероятностью наличия в заголовке интересующих статей. Согласно ключевым словам, были выбраны интересующие публикации, а затем более детально изучены.

Результаты.

По заданным ключевым словам первично было отобрано 311 источников литературы. Публикаций после удаления дубликатов осталось 172 источника. При скрининге были исключены статьи в количестве 111 со следующими критериями: аннотации без полнотекстных статей. Далее полнотекстные статьи были оценены на приемлемость, с исключением источников, попадающих под следующие критерии: относящиеся к искусственному интеллекту, но без использования нейросетей; без использования лучевых методов диагностики; не содержащих данных о сегментации и обнаружении. Итоговое количество статей, включенных в обзор, 30. Среди них 4 статьи I уровня доказательности (систематические обзоры [6-9]), остальные 26 — III и IV уровня доказательности. Этапы отбора представлены на рисунке.

Сегментация.

Сегментация — это процесс определения границ и областей объектов на изображениях.

В случае медицинских изображений сегментация — этап анализа изображения, целью которого является выделение зоны интереса, что повышает точность и аккуратность анализа [10]. Задачей сегментации медицинских изображений является присвоение всем пикселям или вокселям изображения уникальной метки, характеризующей принадлежность вокселя к той или иной анатомической структуре.

Сегментация может проводится двумя способами: поверхностное обучение и глубокое обучение. В подходах, основанных на поверхностном обучении, используются предварительно определенные функции с применением одного из определяющих методов, таких как метод опорных векторов, деревья решений, метод ближайших соседей.

Главное, что стоит запомнить при описании методов поверхностного обучения — это то, что в них используются такие базовые параметры, как цвет, форма, текстура изображения. Множество базовых параметров являются строго предметно ориентированными, поэтому когда появляются дополнительные сложные параметры, у поверхностного машинного обучения начинают появляться проблемы, возникает так называемое непонимание информации, или, говоря языком программирования, возникает семантический разрыв (semantic gap) [11]. В такой ситуации на помощь приходит глубокое машинное обучение, к которому относятся нейросети [12].

В настоящее время существует две общие категории задач сегментации изображений: семантическая сегментация (semantic segmentation) и сегментация
 

Обсуждение. Основные задачи нейросетей.

Основными задачами нейросетей, представленными в данном обзоре, являются сегментация и обнаружение. экземпляров (instance segmentation). Семантическая сегментация изображения — определение принадлежности всех пикселей на изображении к определенному классу. По сравнению с семантической сегментацией сегментация экземпляров определяет пиксели, принадлежащие каждому объекту определенного класса, по отдельности [13].

Одной из актуальнейших задач в современной медицине является сегментация позвоночника на медицинских изображениях, поскольку именно данные изображения чаще страдают от артефактов, размытия, избыточного шума и низкой контрастности.

При анализе 17 источников литературы в 16 из 17 работ при сегментации использовалась одна нейросеть, в 1 из 17 случаев — комбинация двух сетей — U-Net+FCN (Al Arif и соавт. [14]). Источники литературы и основные анализируемые параметры представлены в табл. 1.









По типу архитектуры в большинстве случаев (10 из 17) использовалась U-Net и ее модификации ([1423]); во всех остальных случаях (7 из 10) использовались различные типы сетей, среди которых: 3D CNN собственной разработки [24], Spine-GAN [25], 3D FCN — MsFCN [26], RIMNet [27], MIPNet [28], BiLuNet [29], Mask Region-based CNN [30].

Наиболее распространенной нейросетью для сегментации является U-Net, предложенная Ronneberger [31] в 2015 г. U-Net относится к классу сверточных нейронных сетей (CNN) и имеет стандартную архитектуру [32]. Сеть содержит сверточную (слева) и разверточную части (справа), и поэтому данная архитектура визуально похожа на английскую букву «U».

Наиболее часто используемые показатели в области техники сегментации и классификации медицинских изображений с помощью нейронных сетей представляют собой показатели коэффициент Дайса (Dice Similarity Coeffcient — DC) [33] и коэффициент Жаккара (Intersection Over Union Metric — IoU). При анализе статистических показателей, в 12/17 случаев применялся коэффициент Дайса, в 4/17 случаев — mloU, в 2/17 случаев IoU, точность, чувствительность и специфичность в 2/17 случаев, средняя точность сегментации в 2/17 случаев. Исходя из вышеописанной ситуации, самым распространенным параметром является коэффициент Дайса, в связи с этим основное сравнение будет производиться по нему.

M. Kolarik и соавт. [18] на основе комбинаций классической 2D U-Net и 3D U-Net и добавления взаимосвязи между слоями, обрабатывающими элементы одного и того же размера, создали собственную разработку — 3D Dense-U-Net. Отличие этой сети в том, что она способна обрабатывать данные медицинского изображения в оригинальном разрешении и достигать более высокой точности, чем стандартная U-Net или 3D U-Net. Взаимосвязи помогли сети быстрее обучаться и получать более высокий уровень детализации. Таким образом был получен также один из самых высоких показателей среди как 2D-, так и 3D-сетей с DC 97,08%.

Одной из важнейших проблем при разработке и обучении нейросети является тот факт, что с увеличением количества слоев сети точность сначала постепенно увеличивается, а затем быстро ухудшается. Новая идея для решения данной проблемы получила название глубокое остаточное обучение (deep resi dual learning). Решением данной проблемы является создание соединений быстрого доступа (shortcun connections), когда на выход подаются успешные данные двух сверточных слоев с обходом входных данных следующего слоя.

Именно эта особенность легла в основу ResNet. Для повышения точности сегментации была разработана комбинированная нейросеть — ResNet- UNet [34]. Именно данную архитектуру применили R. F. Masood и соавт. [23] и получили один из самых высоких показателей DC для сетей, работающих с двумерными изображениями — 97,0%.

Кроме того, стоит отметить модифицированную 3D U-Net — SPINECT со значением DC — 94,5% (G.Fan и соавт. [16]) и классическую 3D U-Net с DC — 93,8% (M. Rak и соавт. [22]). По показателю mloU примерно со схожими результатами отличаются сети U-Net (J. Huang и соавт. [17]) — 94,7% и 92,6% и Multi-Input PointNet (MIPNet) — 93,496,0% (X. Huo и соавт. [26]). Сравнение по прочим статистическим параметрам невозможно в связи с тем, что они крайне редко используются в анализируемой литературе.

Обнаружение

Обнаружение объекта (object detection) — определение местоположения интересующего объекта. Обнаружение, как и сегментация, может выполняться при помощи поверхностных методов машинного обучения, таких как структура обнаружения объектов Виолы-Джонса, гистограмма ориентированных градиентов или преобразование масштабно-инвариантных функций, так и с помощью методов глубокого обучения, к которым относятся нейросети.

Нейросети для обнаружения объектов можно разделить на две базовые архитектуры: двухэтапный Region-based Convolution Neural Network [35] и одноэтапный Single Shot MultiBox Detector [36]. Все они являются подтипами CNN.

Стоит отметить, что существует большая разновидность нейросетей, использованных именно для данной задачи, но все они так или иначе являются подвидом данных архитектур. Первый вид архитектуры использует следующие этапы: разбивка всего изображения на регионы, в которых могут располагаться интересующие объекты, при этом происходит генерация порядка 2000 регионов. Затем каждый регион подается как входящая информация для свертывающей нейронной сети, которая извлекает необходимый набор векторов и передает его на алгоритм опорных векторов SVM (support vector machine), где уже и происходит обнаружение.

Второй одноэтапный метод Single Shot MultiBox Detector использует метод регрессии. С помощью данного метода находится и определяется охватывающая рамка (coordinate box) и вероятность принадлежности к определенному классу объектов каждого пикселя на всем изображении. Указанный второй тип архитектуры является более предпочтительным, так как он более быстрый и более точный.






Распознавание особенно актуально при исследованиях изображений позвоночника, так как необходимо не только установить границы самого позвонка, но и определить его принадлежность в шейному, грудному или поясничному отделу, а также его порядковый номер. Автоматические обнаружение позволяет решить такие проблемы, как затрата времени, жесткие требования к укладке, проекционные наложения и различные артефакты, ухудшающие качество изображения [37].

Из представленных работ в 5/13 случаев применялись комбинации нейросетей, в 8/13 — только одна нейросеть. В 2/13 случаев использовалась Faster R-CNN [38, 39], во всех остальных случаях — нейросети различных архитектур [40-50], в том числе CNN собственной разработки (табл. 2).

К наиболее распространенным статистическим показателям, описывающим задачу обнаружения, являются: точность, коэффициент обнаружения (Identification rate — ID Rate) и ошибка локализации (localization error).

ID Rate встречается в 5/13 работ, в 6/13 работах — localisation error, в 3/13 работ — точность. В связи с разнообразием метрик сравнение будет проводиться по Identification rate и localisation error. По ID rate лидирует Sequential Conditional Reinforcement Learning network (D. Zhang и соавт. [48]) с показателем в 96,3% и 3D FCN (Y. Chen и соавт. [46] с показателем в 94,67%).

D. Zhang и соавт. [48] впервые предложил сеть обучения с последовательным условным подкреплением (Sequential Conditional Reinforcement Learning network — SCRL) для одновременного обнаружения и сегментации позвонков на МР- изображениях позвоночника. В частности, SCRL сочетает в себе три подсети:

-сеть обучения анатомическому моделированию с подкреплением (Anatomy-Modeling Reinforcement Learning Network — AMRL) динамически взаимодействует с изображением и фокусирует область внимания на телах позвонков;

-полностью связанная остаточная нейронная сеть (Fully-Connected Residual Neural Network — FC-ResNet) изучает глобальную контекстную информацию о телах позвонков, включая как подробные низкоуровневые функции, так и абстрактные высокоуровневые функции, чтобы определить точную ограничивающую рамку;

-У-образная сеть (Y-shaped network — Y-Net) изучает всестороннюю подробную информацию о текстуре тел, включая многомасштабные, грубые и точные функции, чтобы отделить границу тела позвонка от области внимания.
Y
-. Chen и соавт. [46] предложили нейросеть, ключевым модулем которой является трехмерная FCN, обученная сквозным образом на уровне позвоночника для захвата контекстной информации из трехмерных КТ-изображений.
вычислений из-за ввода полноразмерных изображений компенсируется уменьшением масштаба входных данных и использованием вспомогательной FCN для компенсации потери деталей. Кроме того, скрытая марковская модель (the hidden Markov model — HMM) накладывает пространственные и последовательные ограничения для более высокой надежности и более четкой интерпретации выходных данных сети.

Что касается такого параметра, как localisation error, то лидирует комбинация нейросетей Mask R- CNN+ResNet101 (T. Roggen и соавт. [47]) со значением в 1,5 мм и CNN собственной разработки (D. Forsberg и соавт. [40]) со значением в 2,6 мм.

Заключение.

На основании полученных данных можно сделать вывод, что нейросети достаточно хорошо справляются с задачами сегментации и обнаружения в вертебрологии. Для осуществления сегментации присутствует однозначный лидер — U-Net и ее различные модификации. По детекции представлено гораздо меньше статей, но общий уровень обнаружения находится статистически на достаточно высоком уровне с наличием ведущих типов архитектур: SCRL, 3D FCN, CNN собственной разработки и комбинация сетей Mask R-CNN+ResNet101.

Нужно учитывать, что на основании выполнения таких базовых задач, как сегментация и детекция, строятся и диагностические алгоритмы для классификации различных патологий позвоночника и количественного измерения ортопедических параметров. Программное обеспечение, использующее информацию данных нейросетей, может помочь как рентгенологу, так и врачу-вертебрологу снизить нагрузку и упростить работу путем автоматизации и полуавтоматизации диагностического процесса.

Сведения об авторах:

Васильев Константин Олегович — врач-рентгенолог отделения лучевой диагностики федерального государственного бюджетного учреждения «Новосибирский научно-исследовательский институт травматологии и ортопедии имени Я. Л. Цивьяна» Министерства здравоохранения Российской Федерации; 630091, Новосибирск, ул. Фрунзе, д. 17; ассистент кафедры лучевой диагностики стоматологического факультета федерального государственного бюджетного образования учреждения высшего образования «Новосибирский государственный медицинский университет» Министерства здравоохранения Российской Федерации; 630091, Новосибирск, ул. Красный проспект, д. 52;

Рерих Виктор Викторович — доктор медицинских наук, врач травматолог-ортопед, начальник научно-исследовательского отделения патологии позвоночника федерального государственного бюджетного учреждения «Новосибирский научно-исследовательский институт травматологии и ортопедии имени Я. Л. Цивьяна» Министерства здравоохранения Российской Федерации; 630091, Новосибирск, ул. Фрунзе, д. 17; профессор кафедры травматологии и ортопедии федерального государственного бюджетного образования учреждения высшего образования «Новосибирский государственный медицинский университет»; 630091, Новосибирск, ул. Красный проспект, д. 52

Угольникова Екатерина Алексеевна — младший научный сотрудник отделения биостатистики, федерального государственного бюджетного учреждения «Новосибирский научно-исследовательский институт травматологии и ортопедии имени Я. Л. Цивьяна» Министерства здравоохранения Российской Федерации; 630091, Новосибирск, ул. Фрунзе, д. 17

ЛИТЕРАТУРА

Sarki R., Ahmed K., Wang H., Zhang Y., Wang K. Automated detection of COVID-19 through convolutional neural network using chest x-ray images // PloS ONE. 2022. Vol. 17, No. 1. e0262052. doi: 10.137l/journal.pone.0262052

Kann B.H., Hosny A., Aerts H. Artificial intelligence for clinical oncology // Cancer Cell. 2021. Vol. 39, No. 12. P. 916-927. doi: 10.1016/j.ccell.2021.04.002.

Gerussi A., Scaravaglio M., Cristoferi L. et al. Artificial intelligence for precision medicine in autoimmune liver disease // Front Immunol. 2022. Vol. 13, No. 11. P. 966329. doi: 10.3389/fimmu.2022.966329.

Kroner P.T., Engels M.M., Glicksberg B.S. et al. Artificial intelligence in gastroenterology: A state-of-the-art review // World J. Gastroenterol. 2021. Vol. 40, No. 27. P. 6794-6824. doi: 10.3748/wjg.v27.i40.6794.

Tricco A.C., Lillie E., Zarin W., O'Brien K.K., Colquhoun H., Levac. PRISMA extension for scoping reviews (PRISMA-ScR): checklist and explanation // Annals of Internal Medicine. 2018. Vol. 169, No. 7. P. 467-473. doi: 10.7326/M18-0850.

Vrtovec T., Ibragimov B. Spinopelvic measurements of sagittal balance with deep learning: systematic review and critical evaluation // European Spine Journal. 2022. Vol. 31, No. 8. P. 2031-2045. doi: 10.1007/s00586-022-07155-5.

Qu B., Cao J., Qian C. et al. Current development and prospects of deep learning in spine image analysis: a literature review // Quant. Imaging Med. Surg. 2022. Vol. 12. P. 3454-3479. doi: 10.21037/qims-21-939.

Lundervold A. S.An overview of deep learning in medical imaging focusing on MRI // Zeitschrift fur Medizinische Physik. 2019. Vol. 29, No. 2. P. 102-127. doi: 10.1016/j.zemedi.2018.11.002.

Goedmakers C.M.W., Pereboom L.M., Schoones J.W., de Leeuw den Bouter M.L, Remis R.F. et al. Machine learning for image analysis in the cervical spine: Systematic review of the available models and methods // Brain & Spine. 2022. Vol. 2, No. 14. P. 101666. doi: 10.1016/j.bas.2022.101666.

Wang R., Lei T., Cui R., Zhang B., Meng H., Nandi A. Medical image segmentation using deep learning: A survey // IETImage Processing. 2022. Vol. 16, No. 5. P. 1243-1267. doi: 10.1049/ipr2.12419

Ashraf R., Habib M.A., Akram M. et al. Deep convolution neural network for big data medical image classification // IEEE Access. 2020. Vol. 8. P. 105659-105670. doi: 10.1109/ACCESS.2020.2998808.

Далечина А.В., Беляев М.Г, Тюрина А.Н., Золотова С.В., Пронин И.Н., Голанов А.В. Методы машинного обучения в сегментации глиом для планирования стереотаксической лучевой терапии // Лучевая диагностика и терапия. 2019. № 2. С. 24-31. [Dalechina A.V., Beljaev M.G., Tjurina A.N., Zolotova S.V., Pronin I.N., Golanov A.V. Machine learning methods in glioma segmentation for planning stereotactic radiotherapy. Diagnostic radiology and radiotherapy, 2019, No. 2, рр. 24-31 (In Russ.)]. doi: 10.22328/2079-5343-2019-10-2-24-31.

Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F. et al. A survey on deep learning in medical image analysis // Medical image analysis. 2017. Vol. 42. P. 6088. doi: 10.1016/j.media.2017.07.005.

Al Arif S. M. R., Knapp K., Slabaugh G. Fully automatic cervical vertebrae segmentation framework for X-ray images // Computer methods and programs in biomedicine. 2018. Vol. 157. P. 95-111. doi: 10.1016/j.cmpb.2018.01.006.

Kim S., Bae W.C., Masuda K., Chung C.B., Hwang D. Fine-grain segmentation of the intervertebral discs from MR spine images using deep convolutional neural networks: BSU-Net // Applied sciences. 2018. Vol. 8, No. 9. P. 1656.

Fan G., Liu H., Wu Z. et al. Deep learning-based automatic segmentation of lumbosacral nerves on CT for spinal Intervention: a translational Study // American Journal of Neuroradiology. 2019. Vol. 40, No. 6. P. 1074-1081.

Huang J., Shen H., Wu J. et al. Spine Explorer: a deep learning based fully automated program for efficient and reliable quantifications of the vertebrae and discs on sagittal lumbar spine MR images // The Spine Journal. 2020. Vol. 20, No. 4. P. 590-599. doi: 10.1016/j.spinee.2019.11.010.

Kolarik M., Burget R., Uher V., Riha K., Dutta M.K. Optimized high resolution 3D dense-U-Net network for brain and spine segmentation // Applied Sciences. 2019. Vol. 9, No. 3. P. 404. doi: 10.3390/app9030404.

Rehman F., Ali Shah F.I., Riaz N., Gilani S.O. A robust scheme of vertebrae segmentation for medical diagnosis // IEEE Access. 2019. Vol. 7. P. 120387-120398. doi: 10.1109/ACCESS.2019.2936492.

Fang Y., Li W., Chen X. et al. Opportunistic osteoporosis screening in multi-detector CT images using deep convolutional neural networks // European Radiology. 2021. Vol. 31, No. 4. P. 1831-1842. doi: 10.1007/s00330-020-07312-8.

Zhang Q., Du Y., Wei Z., Liu H., Yang X., Zhao D. Spine medical image segmentation based on deep learning // Journal of Healthcare Engineering. 2021. Vol. 2021. P. 1917946. doi: 10.1155/2021/1917946.

Rak M., Steffen J., Meyer A., Hansen C., Tonnies K.D. Combining convolutional neural networks and star convex cuts for fast whole spine vertebra segmentation in MRI // Computer Methods and Programs in Biomedicine. 2019. Vol. 177. P. 47-56.

Masood R. F., Taj I. A., Khan M. A., Qureshi M. A., Hassan T. Deep learning based vertebral body segmentation with extraction of spinal measurements and disorder disease classification // Biomedical Signal Processing and Control. 2022. Vol. 71. P. 103230. doi: 10.1016/j.bspc.2021.103230.

Lavdas I., Glocker B., Kamnitsas K. et al. Fully automatic, multiorgan segmentation in normal whole body magnetic resonance imaging (MRI), using classification forests (CF s), convolutional neural networks (CNN s), and a multi-atlas (MA) approach // Medical physics. 2017. Vol. 44, No. 10. P. 5210-5220. doi: 10.1002/mp.12492.

Han Z., Wei B., Mercado A., Leung S., Li S. Spine-GAN: Semantic segmentation of multiple spinal structures // Medical image analysis. 2018. Vol. 50. P. 23-35. doi: 10.1016/j.media.2018.08.005.

Li X., Dou Q., Chen H. et al. 3D multi-scale FCN with random modality voxel dropout learning for intervertebral disc localization and segmentation from multi-modality MR images // Medical image analysis. 2018. Vol. 45. P. 41-54.

Das P., Pal C., Acharyya A., Chakrabarti A., Basu S. Deep neural network for automated simultaneous intervertebral disc (IVDs) identification and segmentation of multi-modal MR images // Computer Methods and Programs in Biomedicine. 2021. Vol. 205. P. 106074. doi: 10.1016/j.cmpb.2021.106074.

Huo X., Cui G., Tan J., Shao K. Automatic measurement of axial vertebral rotation in 3D vertebral models // Biomedical Physics and Engineering Express. 2021. Vol. 7, No. 6. P. 065034. doi: 10.1088/2057-1976/ac2c55.

Tran V.L., Lin H.Y., Liu H.W. MBNet: A multi-task deep neural network for semantic segmentation and lumbar vertebra inspection on X-ray images // Proceedings of the Asian Conference on Computer Vision. 2020.

Zhang Q., Du Y., Wei Z. et al. Spine medical image segmentation based on deep learning // Journal of Healthcare Engineering. 2021. Vol. 2021. P. 1917946. doi: 10.1155/2021/1917946.

Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention. 2015. P. 234-241. doi: 10.1007/978-3-319-24574-4_28.

Абдуллина К.М., Спивак А.И. Применение нейронной сети архитектуры U-Net для задачи локализации нарушений целостности цифровых изображений // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20, № 3. С. 425-431. [Abdullina K.M., Spivak A.I. Application of a neural network of the U-Net architecture for the task of localizing violations of the integrity of digital images. Scientific and technical bulletin of information technologies, mechanics and optics, 2020, Vol. 20, No. 3, рр. 425-431 (In Russ.)].

Хамад Ю.А., Симонов К.В., Кенц А.С. Алгоритмы сегментации и распознавания объектов на медицинских изображениях на основе шиарлет-преобразования и нейронных сетей // Информатизация и связь. 2020. № 2. С. 35-45.

[Hamad Yu.A., Simonov K.V., Kenc A.S. Algorithms for segmentation and recognition of objects in medical images based on shearlet transformation and neural networks. Informatization and communication, 2020, No. 2, рр. 35-45 (In Russ.)].

Charng J., Xiao D., Mehdizadeh M. et al. Deep learning segmentation of hyperautofluorescent fleck lesions in Stargardt disease // Scientific Reports. 2020. Vol. 10, No. 1. P. 16491. doi: 10.1038/s41598-020-73339-y.

Sezer A. Mask Region-Based Convolutional Neural Network segmentation of the humerus and scapula from proton density-weighted axial shoulder magnetic resonance images // Jt. Dis. Relat. Surg. 2023. Vol. 20, No. 34. P. 583-589.

Heller N., Athianathen N., Kalapara A. et al. The kits19 challenge data: 300 kidney tumor cases with clinical context, ct semantic segmentations, and surgical outcomes // arXiv preprint. arXiv: 201904.00445.2019.

Zhao S., Wu X., Chen B., Li S. Automatic vertebrae recognition from arbitrary spine MRI images by a category-Consistent self-calibration detection framework // Medical Image Analysis. 2021. Vol. 67. P. 101826.

Hallinan J.T.P.D., Zhu L., Yang K. et al. Deep learning model for automated detection and classification of central canal, lateral recess, and neural foraminal stenosis at lumbar spine MRI // Radiology. 2021. Vol. 300, No. 1. P. 130-138.

Huang Y., Uneri A., Jones C.K. et al. 3D vertebrae labeling in spine CT an accurate, memory-efficient (Ortho2D) framework // Physics in Medicine & Biology. 2021. Vol. 66, No. 12. P. 125020. doi: 10.1088/1361-6560/ac07c7.

Forsberg D., Sjoblom E., Sunshine J.L. Detection and Labeling of Vertebrae in MR Images Using Deep Learning with Clinical Annotations as Training Data // Journal of Digital Imaging. 2017. Vol. 30. P. 406-412. doi: 10.1007/s10278-017-9945-x.

Kurochka K.S., Tsalka I.M. Vertebrae detection in X-ray images based on deep convolutional neural networks // 2017 IEEE 14th International Scientific Conference on Informatics. IEEE. 2017. P. 194-196.

Yang D., Xiong T., Xu D., Huang Q., Liu D., Zhou S.K. et al. Automatic vertebra labeling in large-scale 3D CT using deep image-to-image network with message passing and sparsity regularization // International Conference on Information
Processing in Medical Imaging. 2017. P. 633-644. doi: 10.1007/978-3-319- 59050-9_50.

Liao H., Mesfin A., Luo J. Joint Vertebrae Identification and Localization in Spinal CT Images by Combining Short- and Long Range Contextual Information // IEEE transactions on medical imaging. 2018. Vol. 37. P. 1266-1275.

Jakubicek R., Chmelik J., Ourednicek P., Jan J. Deep-learning-based fully automatic spine centerline detection in CT data // 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2019. P. 2407-2410.

Zhou Y., Liu Y., Chen Q., Gu G., Sui X. Automatic lumbar MRI detection and identification based on deep learning // Journal of digital imaging. 2019. Vol. 32, No. 3. P. 513-520. doi: 10.1007/s10278-018-0130-7.

Chen Y., Gao Y., Li K., Zhao L., Zhao J. Vertebrae identification and localization utilizing fully convolutional networks and a hidden Markov model // IEEE Transactions on Medical Imaging. 2019. Vol. 39, No. 2. P. 387-399.

Roggen T., Bobic M., Givenchi N., Scheib S.G. Deep Learning model for markerless tracking in spinal SBRT // Physica Medica. 2020. Vol. 74. P. 66-73. doi: 10.1016/j.ejmp.2020.04.029.

Zhang D., Chen B., Li S. Sequential conditional reinforcement learning for simultaneous vertebral body detection and segmentation with modeling the spine anatomy // Medical Image Analysis. 2021. Vol. 67. P. 101861.

Kim K.C., Cho H.C., Jang T.J., Choi J.M., Seo J.K. Automatic detection and segmentation of lumbar vertebrae from X-ray images for compression fracture evaluation // Computer Methods and Programs in Biomedicine. 2021. Vol. 200. P. 105833.
Wang Yu., Huang L., Wu M. et al. Multi-input adaptive neural network for automatic detection of cervical vertebral landmarks on X-rays // Computers in Biology and Medicine. 2022. Vol. 146. P. 105576. doi: 10.1016/j.compbiomed.2022.105576.


Теги: искусственный интеллект
234567 Начало активности (дата): 23.05.2025
234567 Кем создан (ID): 989
234567 Ключевые слова:  искусственный интеллект, нейросети, вертебрология, позвоночник, сегментация, обнаружение
12354567899