Details

Цель работы - разработать онлайн-сервис для обнаружения и визуализации дефектов на изображениях в формате DICOM. Объект исследования - процесс автоматизированного анализа медицинских изображений в формате DICOM, а предметом – методы машинного обучения, применяемые для сегментации и детекции патологических зон на снимках. Методология исследования - сравнительный анализ и эксперимент. Данная работа посвящена исследованию применения гибридного подхода, включающего использование моделей машинного обучения (U-Net+VAE), эвристик и ограничения зоны поиска, для выделение аномальных зон на исследованиях компьютерной томографии челюсти. В результате разработан алгоритм гибридного поиска дефектных зон и обучены модели машинного обучения для задач сегментации и детекции аномальных зон. Реализован онлайн сервис, выполняющий автоматическую предобработку исследования, обнаружение проблемных зон и визуализацию их пользователю. В разработке использовались: Python, FastAPI, pydicom и SimpleITK, PyTorch и MONAI, TypeScript и React. На основании точности обнаружения аномальных зон и минимального количества ложных срабатываний сделан вывод о применимости разработанного сервиса. Сервис может быть применен как ассистент-помощник стоматолога в поиске подозрительных областей.

The purpose of this work is to develop an online service for the detection and visualisation of defects in DICOM images. The object of the research is the process of automated analysis of medical images in DICOM format, and the subject is machine learning methods used for segmentation and detection of pathological areas in images. The research methodology comprises comparative analysis and experimentation. This work is devoted to investigating the application of a hybrid approach, which includes the use of machine learning models (U-Net+VAE), heuristics and search area constraints, for the identification of abnormal areas in computed tomography scans of the jaw. As a result, a hybrid algorithm for detecting defective areas has been developed, and machine learning models have been trained for the tasks of segmentation and detection of abnormal areas. An online service has been implemented that performs automatic pre-processing of the examination, detects problem areas and visualises them for the user. Python, FastAPI, pydicom and SimpleITK, PyTorch and MONAI, TypeScript and React were used in the development. Based on the accuracy of detecting abnormal areas and the minimal number of false positives, it has been concluded that the developed service is suitable for use. The service can be used as an assistant to the dentist in the search for suspicious areas.