Details

Данная работа направлена на разработку методики трансферного обучения для сегментации сосудов лёгких на КТ-снимках с использованием предварительного обучения на данных сосудов сетчатки. Предложен подход, включающий многоэтапную предобработку изображений и четыре варианта архитектуры U-Net с механизмами внимания и плотными связями. Научная новизна заключается в стратегии межобластного переноса знаний, основанной на морфологическом сходстве сосудистых систем сетчатки и лёгких, что позволяет эффективно использовать крупный набор данных сетчатки для улучшения сегментации на ограниченном наборе КТ-данных лёгких. Экспериментальные результаты показали преимущество моделей с механизмами внимания: Attention U-Net достигла лучшей F1-меры (0,5113), а Dense U-Net – наивысшего значения AUC (0,9767), при этом визуальный анализ подтвердил превосходство Attention U-Net в выделении тонких сосудистых структур. Результаты подтверждают эффективность трансферного обучения для решения проблемы недостатка данных в медицинской визуализации и открывают возможности создания более точных систем поддержки клинических решений.

This work aims to develop a transfer learning methodology for lung vessel segmentation on CT images using pre-training on retinal vessel data. The proposed approach includes multi-stage image preprocessing and four U-Net architecture variants with attention mechanisms and dense connections. The scientific novelty lies in the cross-domain knowledge transfer strategy based on morphological similarity between retinal and pulmonary vascular systems, enabling effective utilization of large-scale retinal datasets to improve segmentation on limited lung CT data. Experimental results demonstrated the superiority of attention-based models: Attention U-Net achieved the best F1-score (0.5113), while Dense U-Net reached the highest AUC value (0.9767), with visual analysis confirming Attention U-Nets advantage in detecting fine vascular structures. The findings validate the effectiveness of transfer learning for addressing data scarcity in medical imaging and open opportunities for developing more accurate clinical decision support systems.