Details
| Title | Cross-domain deep transfer learning for branching structure segmentation = Междоменное глубокое трансферное обучение для сегментации разветвленных структур // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2026. – Т. 19, № 1. — С. 8-15 |
|---|---|
| Creators | Shariaty F. ; Pavlov V. A. ; Medvedeva E. A. |
| Imprint | 2026 |
| Collection | Общая коллекция |
| Subjects | Вычислительная техника ; Распознавание и преобразование образов ; branched structures ; segmentation of branched structures ; transfer learning (computing) ; cross-domain transfer learning ; computer vision ; deep transfer learning ; retinal vascular segmentation ; разветвленные структуры ; сегментация разветвленных структур ; трансферное обучение (вычислительная техника) ; междоменное трансферное обучение ; компьютерное зрение ; глубокое трансферное обучение ; сегментация сосудов сетчатки |
| UDC | 004.93 |
| LBC | 32.973-018.2 |
| Document type | Article, report |
| Language | English |
| DOI | 10.18721/JCSTCS.19101 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\78766 |
| Record create date | 4/28/2026 |
Segmentation of thin, branching structures in volumetric imaging is a challenging computer vision task due to low contrast, strong class imbalance, and large variability in scale and topology. This work investigates a cross-domain deep transfer learning strategy that exploits morphological similarity between vascular-like branching patterns in different imaging modalities. Models are first pre-trained on the data-rich FIVES retinal vessel dataset and then fine-tuned on a subset of the NSCLC-Radiogenomics chest CT dataset containing annotations of branching structures. We evaluate four U-Net-based architectures - U-Net, Attention U-Net, R2 U-Net and Dense U-Net - and compare them with DeepLabV3 models using ResNet50 and ResNet101 backbones. A unified training pipeline with multi-stage intensity and contrast normalization is employed, along with a 10-fold stratified cross-validation protocol. Performance is assessed using accuracy, precision, Dice (F1 score), and area under the ROC curve (AUC). Cross-domain transfer learning leads to a substantial improvement over training from scratch: Dice scores increase from near-zero values to above 0.48 for the best-performing models. Attention U-Net achieves the highest Dice score of 0.4814, while DeepLabV3 (ResNet50) attains the highest AUC of 0.9621. Dense U-Net also provides competitive results, whereas R2 U-Net benefits less from the proposed transfer scheme. The results demonstrate that leveraging cross-domain morphological priors is an effective way to enhance segmentation of branching structures in data-scarce CT scenarios. The proposed framework provides a strong, reproducible baseline for future research on transfer learning and fine-structure segmentation in volumetric images.
Сегментация тонких разветвленных структур в объемной визуализации является нетривиальной задачей компьютерного зрения из-за низкого контраста, выраженного дисбаланса классов и большой вариативности в масштабе и топологии. В данной работе исследуется подход междоменного глубокого трансферного обучения, использующий морфологическое сходство сосудистоподобных разветвленных структур в разных модальностях визуализации. Модели предварительно обучаются на богатом данными наборе FIVES для сегментации сосудов сетчатки, после чего дообучаются на подмножестве набора данных NSCLC-Radiogenomics с КТ-изображениями грудной клетки и аннотациями разветвленных структур. Оцениваются четыре архитектуры на основе U-Net (стандартная U-Net, Attention U-Net, R2 U-Net и Dense U-Net), а также модели DeepLabV3 с базовыми сетями ResNet50 и ResNet101. Применяется единый конвейер обучения, включающий многоэтапную нормализацию интенсивностей и контраста, а также 10-кратную стратифицированную перекрестную проверку. Качество сегментации измеряется метриками Accuracy, Precision, Dice (F1-мера) и площадью под ROC-кривой (AUC). Междоменное трансферное обучение приводит к существенному улучшению по сравнению с обучением "с нуля": значения Dice увеличиваются с почти нулевых до 0,48 и более для лучших моделей. Модель Attention U-Net достигает максимального значения Dice 0,4814, тогда как DeepLabV3 (ResNet50) демонстрирует наивысшее значение AUC - 0,9621. Dense U-Net показывает сопоставимые результаты, в то время как R2 U-Net в меньшей степени выигрывает от предложенной схемы трансфера. Полученные результаты показывают, что использование междоменных морфологических априорных знаний является эффективным способом повышения качества сегментации разветвленных структур в условиях дефицита размеченных КТ-данных. Предложенная методология формирует воспроизводимую базу для дальнейших исследований в области трансферного обучения и сегментации тонких древовидных структур в объемной визуализации.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
