Данная работа посвящена реализации наилучшего алгоритма сегментации для использования в повседневной практике в медицинских учреждениях врачами и быстрого принятия решений в обнаружении аномальных структур и определении болезни. Произведен обзор современных архитектур на основе сверточных нейронных сетей и классических подходов: бинаризация по порогу, обнаружение краев, метод наращивания областей, FCN, SegNet, YOLACT, DeepLabv3, U-Net, V-Net, 3D-CNN, FC-DenseNet. Исходя из проведенного анализа выявлен наилучший метод для работы с КТ-снимками легких: YOLACT, который является более оптимальной автоматизированной моделью благодаря компромиссам в скорости и точности. Проведено тестирование выбранного алгоритма на созданном вручную наборе данных, результаты исследования показаны на изображениях и в таблицах. Реализация выполнялась на языке программирования Python и при помощи библиотеки компьютерного зрения OpenCV.

This work is devoted to the implementation of the best segmentation algorithm for use in everyday practice in medical institutions by doctors and quick decision-making in detecting abnormal structures and determining the disease. An overview of modern architectures based on convolutional neural networks and classical approaches is made threshold binarization, edge detection, area augmen-tation method, FCN, SegNet, YOLACT, DeepLabv3, U-Net, V-Net, 3D-CNN, FC-DenseNet. Based on this analysis, the best method for working with CT scans of the lungs was identified: YOLACT, which is a more optimal automated model due to trade-offs in speed and accuracy. The selected algorithm was tested on a hand-created dataset, the results of the study are shown in the images and in tables. The implemen-tation was carried out in the Python programming language and using the OpenCV computer vision library.