Моделi та методи обробки медичних зображень грудної клiтини
Тип публікації :
Дисертація
Дата випуску :
9 липня 2026 р.
Автор(и) :
Сучков, Валентин Iванович
Науковий(і) керівник(и)/редактор(и) :
Пашко, Анатолiй Олексiйович
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Сучков, В. I. (2026). Моделi та методи обробки медичних зображень грудної клiтини [Дис. доктора філософії, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/35764
[ДСТУ] Сучков В. I. Моделi та методи обробки медичних зображень грудної клiтини : дис. … доктора філософії : 124 Системний аналiз. Київ, 2026. 155 с. URL: https://ir.library.knu.ua/handle/15071834/35764
Сучков В.I. Моделi та методи обробки медичних зображень грудної клiтини. — Квалiфiкацiйна наукова праця на правах рукопису. Дисертацiя на здобуття наукового ступеня доктора фiлософiї за спецiальнiстю 124 "Системний аналiз" (12 — Iнформацiйнi технологiї). — Київський нацiональний унiверситет iменi Тараса Шевченка, Київ, 2026.
Дисертацiйна робота присвячена дослiдженню, розробленню та реалiзацiї методiв автоматизованої обробки й аналiзу медичних зображень грудної клiтини. Зростання кiлькостi медичних зображень i потреба у швидкому аналiзi результатiв обстежень зумовлюють актуальнiсть розроблення методiв їх автоматизованої обробки. Пандемiя COVID-19 додатково пiдкреслила потребу у швидкому аналiзi великої кiлькостi рентгенiвських зображень грудної клiтини та зображень комп'ютерної томографiї.
У роботi застосовано методи попередньої обробки рентгенiвських зображень, класифiкацiї зображень за допомогою згорткової нейронної мережi, сегментацiї областi легень та видiлення областi ураження iнфекцiєю. Окрему увагу придiлено пороговим методам сегментацiї, методу k-середнiх та нейромережевим пiдходам до сегментацiї областi ураження. Дослiдження спрямоване на розвиток наявних пiдходiв до аналiзу медичних зображень грудної клiтини.
Розглядаються анатомiчно орiєнтованi показники для оцiнювання результатiв сегментацiї областi легень, що можуть використовуватися для аналiзу результатiв за вiдсутностi еталонної розмiтки. На основi даних показникiв сформовано iнтегральну оцiнку для вибору результату сегментацiї серед альтернативних порогових методiв.
Розробленi пiдходи формують цiлiсну послiдовнiсть автоматизованого аналiзу медичних зображень грудної клiтини, у якiй попередня обробка, класифiкацiя, сегментацiя та оцiнювання результатiв розглядаються як взаємопов'язанi елементи системного аналiзу процесу обробки медичних зображень. Данi пiдходи можуть бути використанi як складовi iнформацiйної технологiї пiдтримки прийняття рiшень.
Метою дисертацiйної роботи є: дослiдження, розроблення та реалiзацiя методiв автоматизованої обробки медичних зображень грудної клiтини для сегментацiї областi легень, сегментацiї дiлянок ураження iнфекцiєю та класифiкацiї за станами дихальної системи iз застосуванням системного аналiзу, методiв комп'ютерного зору та нейромережевих архiтектур.
Об'єктом дослiдження є процеси аналiзу та iнтелектуальної обробки медичних зображень грудної клiтини в iнформацiйно-аналiтичних медичних системах.
Предметом дослiдження є моделi, методи та алгоритми обробки, сегментацiї, класифiкацiї та iнтерпретацiї медичних зображень грудної клiтини iз застосуванням методiв системного аналiзу, комп'ютерного зору та штучного iнтелекту.
Методика дослiдження: у роботi використано методи системного аналiзу, методи глибокого навчання та класичнi методи обробки зображень, зокрема порогову сегментацiю, кластеризацiю i морфологiчну обробку.
На першому етапi виконується пiдготовка медичних зображень грудної клiтини до подальшого аналiзу. Для цього застосовуються методи попередньої обробки, зокрема фiльтрацiя шуму, пiдсилення локального контрасту та аналiз гiстограм iнтенсивностi. Данi методи використовуються для покращення якостi вхiдних рентгенiвських зображень та дослiдження їх впливу на результати класифiкацiї.
Для задачi класифiкацiї рентгенiвських зображень грудної клiтини використовується згорткова нейронна мережа. Модель виконує класифiкацiю зображень за трьома класами: COVID-19, пневмонiя та вiдсутнiсть захворювання. Оцiнювання результатiв класифiкацiї здiйснюється за показниками Accuracy, Recall, Precision та F1-мiри.
Для сегментацiї областi легень застосовуються класичнi пороговi методи, зокрема метод Оцу, метод Капура та модифiкований метод збалансованого порогового вiдсiкання гiстограми. До отриманого результату застосовуються морфологiчнi операцiї для уточнення форми сегментованої областi.
Окремо розглядається оцiнювання результатiв сегментацiї за допомогою анатомiчно орiєнтованих показникiв: вiдносна площа сегментованої областi, вертикальна симетрiя, контраст мiж областю легень i фоном та стандартне вiдхилення iнтенсивностi пiкселiв у межах сегментованої областi. На основi даних показникiв формується iнтегральна оцiнка, що використовується для вибору результату сегментацiї серед альтернативних порогових методiв. Додатково для оцiнювання збереження структурної iнформацiї пiсля попередньої обробки використовується показник SSIM.
Для сегментацiї областi ураження iнфекцiєю використовується нейромережева архiтектура U-Net з енкодером ResNet18. Додатково дослiджується застосування методу k-середнiх для видiлення областi ураження за показником iнтенсивностi зображення.
Наведенi методи класифiкацiї, сегментацiї та оцiнювання результатiв формують послiдовнiсть пов'язаних елементiв системного аналiзу автоматизованої обробки медичних зображень грудної клiтини. На основi розглянутих методiв побудовано програмнi засоби для обробки медичних зображень грудної клiтини, що є складовими iнформацiйної технологiї пiдтримки прийняття рiшень.
Наукова новизна одержаних результатiв полягає у наступному:
Вперше:
∙ застосовано модифiкований метод збалансованого порогового вiдсiкання гiстограми у задачi сегментацiї областi легень на рентгенiвських зображеннях та проведено порiвняльний аналiз його ефективностi порiвняно з класичними пороговими методами;
∙ запропоновано метод для непрямого оцiнювання якостi сегментацiї областi легень на рентгенiвських зображеннях грудної клiтини на основi анатомiчно орiєнтованих показникiв;
∙ розроблено механiзм багатокритерiального вибору результату сегментацiї серед альтернативних порогових методiв на основi iнтегральної оцiнки анатомiчно орiєнтованих показникiв.
Удосконалено:
∙ модель сегментацiї областi ураження iнфекцiєю на рентгенiвських зображеннях грудної клiтини за допомогою нейронної мережi з попереднiм обмеженням вхiдного зображення маскою областi легень;
∙ пiдхiд до застосування згорткових нейронних мереж для класифiкацiї рентгенiвських зображень грудної клiтини з використанням методiв попередньої обробки.
Набуло подальшого розвитку:
∙ алгоритм сегментацiї областi ураження на зображеннях комп'ютерної томографiї грудної клiтини за допомогою попереднього видiлення областi легень пороговим методом та кластеризацiї пiкселiв за значеннями iнтенсивностi методом k-середнiх у межах отриманої областi легень.
Практична цiннiсть одержаних результатiв полягає у розробленнi програмних засобiв для обробки та аналiзу медичних зображень грудної клiтини. Реалiзованi методи дають змогу виконувати попередню обробку зображень та класифiкацiю рентгенiвських зображень грудної клiтини за допомогою згорткової нейронної мережi. Розробленi програмнi засоби включають реалiзацiю сегментацiї областi легень, сегментацiю областi ураження iнфекцiєю та розрахунок анатомiчно орiєнтованих показникiв.
Дисертацiйна робота присвячена дослiдженню, розробленню та реалiзацiї методiв автоматизованої обробки й аналiзу медичних зображень грудної клiтини. Зростання кiлькостi медичних зображень i потреба у швидкому аналiзi результатiв обстежень зумовлюють актуальнiсть розроблення методiв їх автоматизованої обробки. Пандемiя COVID-19 додатково пiдкреслила потребу у швидкому аналiзi великої кiлькостi рентгенiвських зображень грудної клiтини та зображень комп'ютерної томографiї.
У роботi застосовано методи попередньої обробки рентгенiвських зображень, класифiкацiї зображень за допомогою згорткової нейронної мережi, сегментацiї областi легень та видiлення областi ураження iнфекцiєю. Окрему увагу придiлено пороговим методам сегментацiї, методу k-середнiх та нейромережевим пiдходам до сегментацiї областi ураження. Дослiдження спрямоване на розвиток наявних пiдходiв до аналiзу медичних зображень грудної клiтини.
Розглядаються анатомiчно орiєнтованi показники для оцiнювання результатiв сегментацiї областi легень, що можуть використовуватися для аналiзу результатiв за вiдсутностi еталонної розмiтки. На основi даних показникiв сформовано iнтегральну оцiнку для вибору результату сегментацiї серед альтернативних порогових методiв.
Розробленi пiдходи формують цiлiсну послiдовнiсть автоматизованого аналiзу медичних зображень грудної клiтини, у якiй попередня обробка, класифiкацiя, сегментацiя та оцiнювання результатiв розглядаються як взаємопов'язанi елементи системного аналiзу процесу обробки медичних зображень. Данi пiдходи можуть бути використанi як складовi iнформацiйної технологiї пiдтримки прийняття рiшень.
Метою дисертацiйної роботи є: дослiдження, розроблення та реалiзацiя методiв автоматизованої обробки медичних зображень грудної клiтини для сегментацiї областi легень, сегментацiї дiлянок ураження iнфекцiєю та класифiкацiї за станами дихальної системи iз застосуванням системного аналiзу, методiв комп'ютерного зору та нейромережевих архiтектур.
Об'єктом дослiдження є процеси аналiзу та iнтелектуальної обробки медичних зображень грудної клiтини в iнформацiйно-аналiтичних медичних системах.
Предметом дослiдження є моделi, методи та алгоритми обробки, сегментацiї, класифiкацiї та iнтерпретацiї медичних зображень грудної клiтини iз застосуванням методiв системного аналiзу, комп'ютерного зору та штучного iнтелекту.
Методика дослiдження: у роботi використано методи системного аналiзу, методи глибокого навчання та класичнi методи обробки зображень, зокрема порогову сегментацiю, кластеризацiю i морфологiчну обробку.
На першому етапi виконується пiдготовка медичних зображень грудної клiтини до подальшого аналiзу. Для цього застосовуються методи попередньої обробки, зокрема фiльтрацiя шуму, пiдсилення локального контрасту та аналiз гiстограм iнтенсивностi. Данi методи використовуються для покращення якостi вхiдних рентгенiвських зображень та дослiдження їх впливу на результати класифiкацiї.
Для задачi класифiкацiї рентгенiвських зображень грудної клiтини використовується згорткова нейронна мережа. Модель виконує класифiкацiю зображень за трьома класами: COVID-19, пневмонiя та вiдсутнiсть захворювання. Оцiнювання результатiв класифiкацiї здiйснюється за показниками Accuracy, Recall, Precision та F1-мiри.
Для сегментацiї областi легень застосовуються класичнi пороговi методи, зокрема метод Оцу, метод Капура та модифiкований метод збалансованого порогового вiдсiкання гiстограми. До отриманого результату застосовуються морфологiчнi операцiї для уточнення форми сегментованої областi.
Окремо розглядається оцiнювання результатiв сегментацiї за допомогою анатомiчно орiєнтованих показникiв: вiдносна площа сегментованої областi, вертикальна симетрiя, контраст мiж областю легень i фоном та стандартне вiдхилення iнтенсивностi пiкселiв у межах сегментованої областi. На основi даних показникiв формується iнтегральна оцiнка, що використовується для вибору результату сегментацiї серед альтернативних порогових методiв. Додатково для оцiнювання збереження структурної iнформацiї пiсля попередньої обробки використовується показник SSIM.
Для сегментацiї областi ураження iнфекцiєю використовується нейромережева архiтектура U-Net з енкодером ResNet18. Додатково дослiджується застосування методу k-середнiх для видiлення областi ураження за показником iнтенсивностi зображення.
Наведенi методи класифiкацiї, сегментацiї та оцiнювання результатiв формують послiдовнiсть пов'язаних елементiв системного аналiзу автоматизованої обробки медичних зображень грудної клiтини. На основi розглянутих методiв побудовано програмнi засоби для обробки медичних зображень грудної клiтини, що є складовими iнформацiйної технологiї пiдтримки прийняття рiшень.
Наукова новизна одержаних результатiв полягає у наступному:
Вперше:
∙ застосовано модифiкований метод збалансованого порогового вiдсiкання гiстограми у задачi сегментацiї областi легень на рентгенiвських зображеннях та проведено порiвняльний аналiз його ефективностi порiвняно з класичними пороговими методами;
∙ запропоновано метод для непрямого оцiнювання якостi сегментацiї областi легень на рентгенiвських зображеннях грудної клiтини на основi анатомiчно орiєнтованих показникiв;
∙ розроблено механiзм багатокритерiального вибору результату сегментацiї серед альтернативних порогових методiв на основi iнтегральної оцiнки анатомiчно орiєнтованих показникiв.
Удосконалено:
∙ модель сегментацiї областi ураження iнфекцiєю на рентгенiвських зображеннях грудної клiтини за допомогою нейронної мережi з попереднiм обмеженням вхiдного зображення маскою областi легень;
∙ пiдхiд до застосування згорткових нейронних мереж для класифiкацiї рентгенiвських зображень грудної клiтини з використанням методiв попередньої обробки.
Набуло подальшого розвитку:
∙ алгоритм сегментацiї областi ураження на зображеннях комп'ютерної томографiї грудної клiтини за допомогою попереднього видiлення областi легень пороговим методом та кластеризацiї пiкселiв за значеннями iнтенсивностi методом k-середнiх у межах отриманої областi легень.
Практична цiннiсть одержаних результатiв полягає у розробленнi програмних засобiв для обробки та аналiзу медичних зображень грудної клiтини. Реалiзованi методи дають змогу виконувати попередню обробку зображень та класифiкацiю рентгенiвських зображень грудної клiтини за допомогою згорткової нейронної мережi. Розробленi програмнi засоби включають реалiзацiю сегментацiї областi легень, сегментацiю областi ураження iнфекцiєю та розрахунок анатомiчно орiєнтованих показникiв.
Ключові слова :
данi рентгенографiї грудної клiтини данi комп’ютерної томографiї грудної клiтини нейроннi мережi попередня обробка зобра- жень пороговi методи сегментацiї анатомiчно орiєнтоване оцiнювання сегментацiї сегментацiя областi легень сегментацiя областi ураження iнфе- 6 кцiєю ураження типу матового скла метод кластеризацiї k-середнiх iнтегральна оцiнка оцiнювання гiбриднi методи машинне та глибоке навчання chest radiography data chest computed tomography data neural networks image preprocessing threshold-based segmentation methods anatomically oriented segmentation evaluation lung region segmentation infection lesion segmentation ground-glass opacity lesions k-means clustering method integral evaluation evaluation hybrid methods machine learning and deep learning
Галузі знань та спеціальності :
F4 Системний аналіз та наука про дані
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
11.31 MB
Контрольна сума :
(MD5):53cec242d8f6793e6d22ab40f1528e08
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International