Пухлина мозку є доволі тяжкою формою захворювання людини. Його своєчасне виявлення, а також визначення конкретного типу пухлини, є актуальною задачею в сучасній медицині. Для визначення пухлини останнім часом використовують методи сегментації на тривимірних зображеннях мозку, таких як комп'ютерна чи магнітно-резонансна томографія (МРТ). Однак, зазвичай сегментацію проводять вручну, через що тратиться немала кількість часу, до того ж все залежить від досвіду лікаря. Розглянуто можливість створення методу для автоматичної сегментації зображень. Як навчальну вибірку взято медичну базу МРТ мозку з трьома типами пухлин: менінгіома, гліома та пухлина гіпофізу. З урахуванням різних зрізів база мала в наявності: 708 прикладів менінгіоми, 1426 прикладів гліоми та 930 прикладів пухлини гіпофізу. Були розмічені області інтересу на кожному знімку, що було використано в якості вчителя для моделі автоматичної сегментації. Перед тим як створювати модель проаналізовано існуючи на даний момент популярні методи сегментації. Як найбільш підходящий для поставленої в дослідженні задачі методу автоматичної сегментації взято архітектуру глибокої згорткової нейронної мережі U-Net. В результаті її використання отримано модель, яка на тестовій вибірці з 600 знімків зуміла в 74 % випадків правильно відсегментувати зображення. Після отримання моделі автоматичної сегментації, для класифікації пухлин мозку побудовано моделі "випадкового лісу" для трьох задач "один проти всіх", а також для мультикласової задачі. Перед побудовою моделей загальні вибірки були поділені на навчальну (70 %), тестову (20 %) та екзаменаційну (10 %). На екзаменаційній вибірці точність моделей варіюється від 84 до 94 %. Для побудови класифікаційних моделей використано ознаки, отримані за методами текстурного аналізу, та які були розроблені співавторами з кафедри Біомедичної кібернетики в задачі класифікації ультразвукових досліджень печінки. Вони були порівняні з загальновідомими текстурними ознаками Хараліка. Порівняння показало, що кращий спосіб домогтися точної моделі класифікації, це об'єднати всі ознаки в один стек.

 Наукова періодика України 

---

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"