Детальная информация

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.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 19, № 1, 2026. — 1 файл (7,05 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j26-173.pdf>.