Details

Цель работы – исследование и реализация метода сегментации рака лёгких на КТ – изображениях с использованием методов глубокого обучения. В рамках исследования были решены следующие задачи: проведён обзор современных методов сегментации изображений компьютерной томографии, сформирован набор данных для обучения, валидации и тестирования нейросетевого компонента, реализован метод сегментации опухолей лёгких на основе архитектуры DeepLabv3+. Работа выполнена на базе среды MATLAB, с использованием инструментов Deep Learning Toolbox и Image Processing Toolbox. В ходе исследования был произведен обзор современных архитектур на основе сверточных нейронных сетей и классических подходов. В результате были получены экспериментальные подтверждения эффективности предложенного подхода сегментации. Разработанный метод продемонстрировал высокую точность в задачах локализации опухолевых образований и может быть использован в системах поддержки принятия врачебных решений, а также как основа для дальнейших исследований в области медицинской диагностики на основе изображений.

The objective of this work is to investigate and implement a method for lung cancer segmentation on CT images using deep learning techniques. The research encompassed the following tasks: a review of current methods for computed tomography image segmentation was conducted; a dataset was compiled for training, validation, and testing of the neural network component; a method for lung tumor segmentation was implemented based on the DeepLabv3+ architecture The work was performed using the MATLAB environment, leveraging the Deep Learning Toolbox and Image Processing Toolbox. The research involved a review of modern architectures based on convolutional neural networks and classical approaches. Experimental validation of the proposed segmentation approach was obtained. The developed method demonstrated high accuracy in localizing tumor formations and can be used in clinical decision support systems, as well as serving as a foundation for further research in the field of medical image-based diagnostics.

• СПИСОК АББРЕВИАТУР, СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
• Введение
• Глава 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ В МЕДИЦИНСКОЙ ДИАГНОСТИКЕ
• 1.1. Общие сведения и математические основы сегментации изображений
  • 1.1.1. Особенности обработки медицинских изображений
  • 1.2. Полуавтоматические методы сегментации, применяемые при диагностике рака легких
  • 1.2.1. Пороговая сегментация (Threshold Segmentation)
  • 1.2.2. Наращивание областей
  • 1.2.3. Обнаружение краёв
• 1.3. Нейросетевые методы сегментации медицинских изображений
  • 1.3.1. Сверточные нейронные сети
  • 1.3.2. Полностью сверточные нейронные сети
  • 1.3.2. Архитектура U–Net
  • 1.3.3. Архитектура DeepLabv3+
  • 1.4. Выводы
• Глава 2. СЕГМЕНТАЦИЯ КТ–ИЗОБРАЖЕНИЙ ЛЕГКИХ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
• 2.1. Обзор архитектуры DeepLabv3+
  • 2.1.1. Блоки архитектуры DeepLabv3+
  • 2.1.2. Базовая сеть (Backbone)
  • 2.1.3. Разреженные свертки (Atrous Convolutions)
  • 2.1.4. Модуль Atrous Spatial Pyramid Pooling (ASPP)
  • 2.1.5. Декодер и восстановление пространственного разрешения
  • 2.1.6. Метрики оценки качества сегментации в задачах анализа медицинских изображений
  • 2.2. Выводы
• Глава 3. АНАЛИЗ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
• 3.1. Характеристика набора данных
• 3.3. Реализация алгоритма сегментации на базе DeepLabv3+
• 3.4. Оценка полученных результатов
• 3.5. Выводы
• Заключение
• Список использованных источников