Details

Работа посвящена исследованию нейросетевых подходов к анализу КТ- изображений на примере автоматической сегментации поджелудочной железы. Орган имеет малый объём, вытянутую форму, изменчивое положение и низкий контраст с окружающими тканями, поэтому его сегментация относится к сложным задачам медицинской визуализации. В работе рассмотрены свёрточные архитектуры, модели с механизмом внимания и трансформерные подходы. Для сравнения выбраны BasicUNet, SegResNet, Attention U-Net, UNETR и SwinUNETR. Attention U-Net оценена в двумерном и трёхмерном вариантах. Эксперимент выполнен на датасете NIH Pancreas-CT. Для обучения использованы 70 КТ-исследований, для тестирования 12. Пайплайн реализован на Python с применением PyTorch и MONAI. Качество оценивалось по коэффициенту Дайса, точности, полноте и 95-му перцентилю расстояния Хаусдорфа. Лучшие показатели объёмного перекрытия и точности получила SegResNet. Лучшие показатели полноты и геометрической точности границ показала трёхмерная Attention U-Net. Сравнение двумерной и трёхмерной версий Attention U-Net подтвердило значимость межслоевого пространственного контекста при выделении вытянутых анатомических структур на КТ-изображениях. Разработанный пайплайн может использоваться для дальнейших исследований объёмной медицинской сегментации и последующей адаптации моделей к другим органам брюшной полости.

The work is devoted to the study of neural network approaches to CT image analysis using automatic pancreas segmentation as an example. The organ has a small volume, an elongated shape, variable position and low contrast with surrounding tissues. Therefore, its segmentation is considered a difficult task in medical imaging. The work considers convolutional architectures, attention-based models and transformer approaches. BasicUNet, SegResNet, Attention U-Net, UNETR and SwinUNETR were selected for comparison. Attention U-Net was evaluated in both two-dimensional and three-dimensional versions. The experiment was carried out on the NIH Pancreas-CT dataset. Seventy CT studies were used for training and twelve for testing. The pipeline was implemented in Python using PyTorch and MONAI. Segmentation quality was evaluated by the Dice coefficient, precision, recall and the 95th percentile Hausdorff distance. SegResNet achieved the best volumetric overlap and precision. The three-dimensional Attention U-Net showed the best recall and boundary accuracy. The comparison of two-dimensional and three-dimensional Attention U-Net confirmed the importance of inter-slice spatial context when segmenting elongated anatomical structures on CT images. The developed pipeline can be used for further research in volumetric medical segmentation and for adapting models to other abdominal organs.