Порівняння архітектур нейронних мереж для сегментації пухлин мозку

Автор(и)

  • Олена Андріївна Бучко Національний університет «Києво-Могилянська академія», Україна https://orcid.org/0009-0006-4190-5895
  • Дар’я Олександрівна Плахотна Національний університет «Києво-Могилянська академія», Україна

DOI:

https://doi.org/10.18523/2617-3808.2025.8.108-112

Ключові слова:

сегментація зображень, глибоке навчання, нейронні мережі, Attention U-Net, BraTS2020, самоконтрольоване навчання

Анотація

У роботі досліджено ефективність сучасних архітектур глибокого навчання для сегментації медичних зображень у задачі виявлення пухлин мозку. Проведено порівняльний аналіз моделей FCN, DeepLabv3+, PSPNet та Attention U-Net. Окрему увагу приділено впливу попереднього самоконтрольованого навчання на якість сегментації в умовах обмеженої кількості розмічених даних. Для оцінювання результатів використано метрику подібності.

Біографії авторів

Олена Андріївна Бучко, Національний університет «Києво-Могилянська академія»

PhD технічних наук, доцент факультету інформатики Національного університету «Києво-Могилянська академія», olena.buchko@ukma.edu.ua

Дар’я Олександрівна Плахотна, Національний університет «Києво-Могилянська академія»

студентка бакалаврської програми «Комп’ютерні науки» факультету інформатики Національного університету «Києво-Могилянська академія», daria.plakhotna@ukma.edu.ua

Посилання

  1. Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). SegNet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39 (12), 2481–2495. https://doi.org/10.1109/tpami.2016.2644615.
  2. BraTS2020 Dataset. (n.d.). The Cancer Imaging Archive (TCIA). https://www.med.upenn.edu/cbica/brats2020/.
  3. Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40 (4), 834–848. https://doi.org/10.1109/tpami.2017.2699184.
  4. Çiçek, Ö., Abdulkadir, A., Lienkamp, S. S., Brox, T., & Ronneberger, O. (2016). 3D U-Net: Learning dense volumetric segmentation from sparse annotation. In Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016 (pp. 424–432). Springer. https://doi.org/10.1007/978-3-319-46723-8_49.
  5. Drozdzal, M., Vorontsov, E., Chartrand, G., Kadoury, S., & Pal, C. (2016). The importance of skip connections in biomedical image segmentation. In Deep Learning and Data Labeling for Medical Applications (pp. 179–187). Springer. https://doi.org/10.1007/978-3-319-46976-8_19.
  6. Haralick, R. M., & Shapiro, L. G. (1984). Image segmentation techniques. Computer Vision, Graphics, and Image Processing, 27 (3), 389–405. https://doi.org/10.1016/0734-189x(84)90043-4.
  7. Image segmentation techniques: A comprehensive review. (2024). International Research Journal of Modernization in Engineering Technology and Science. https://doi.org/10.56726/irjmets49604.
  8. McGurk, R., Klein, S., Yushkevich, P., & Rohlfing, T. (2013). TH-C-WAB-08: Modeling of the Dice coefficient for PET segmentation studies. Medical Physics, 40 (6, part 32), 538. https://doi.org/10.1118/1.4815765.
  9. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Lecture Notes in Computer Science (pp. 234–241). Springer. https://doi.org/10.1007/978-3-319-24574-4_28.
  10. Shelhamer, E., Long, J., & Darrell, T. (2017). Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39 (4), 640–651. https://doi.org/10.1109/tpami.2016.2572683.
  11. Sun, K., Xiao, B., Liu, D., & Wang, J. (2019). Deep high-resolution representation learning for human pose estimation. In 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA, USA, June 15–20, 2019. IEEE. https://doi.org/10.1109/cvpr.2019.00584.
  12. Zhao, H., Shi, J., Qi, X., Wang, X., & Jia, J. (2017). Pyramid scene parsing network. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, July 21–26, 2017. IEEE. https://doi.org/10.1109/cvpr.2017.660.

##submission.downloads##

Опубліковано

2025-11-26

Номер

Том 8 (2025): Наукові записки НаУКМА. Комп’ютерні науки

Розділ

Нейронні мережі та машинне навчання

Ліцензія

Авторське право (c) 2025 O. Buchko, D. Plakhotna

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з такими умовами:

а) Автори зберігають за собою авторські права на твір на умовах ліцензії CC BY 4.0 Creative Commons Attribution International License, котра дозволяє іншим особам вільно поширювати (копіювати і розповсюджувати матеріал у будь-якому вигляді чи форматі) та змінювати (міксувати, трансформувати, і брати матеріал за основу для будь-яких цілей, навіть комерційних) опублікований твір на умовах зазначення авторства.

б) Журнал дозволяє автору (авторам) зберігати авторські права без обмежень.

в) Автори мають право укладати самостійні додаткові угоди щодо поширення твору (наприклад, розміщувати роботу в електронному репозитарії), за умови збереження посилання на його першу публікацію. (Див. Політика Самоархівування)

г) Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у репозитаріях) тексту статті, як до подання його до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).