ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СЕГМЕНТАЦИИ УЛЬТРАЗВУКОВЫХ ИЗОБРАЖЕНИЙ СКЕЛЕТНОЙ МЫШЦЫ

В данной статье рассмотрены вопросы применения методов машинного обучения для сегмен­тации ультразвуковых изображений скелетных мышц человека. Актуальность данного иссле­дования заключается в сложности и длительности расшифровки медицинских материалов, а также субъективности и ошибках. Целью статьи является создание точной и эффектив­ной модели сегментации здоровых скелетных мышц с использованием машинного обучения для метода ультразвукового исследования медицинской визуализации. Для построения моде­ли сегментации скелетных мышц использовались архитектура U-net с различным количеством сверточных слоев, а также сеть U-net++, которая представляет собой модификацию класси­ческой U-net. Для обучения нейронной сети был использован набор данных ультразвуковых снимков скелетных мышц из открытых источников, для проверки были использованы уль­тразвуковые изображения скелетных мышц добровольцев с помощью акустической системы Verasonics. Были проведены обучение, анализ и тестирование модели нейросети, сравнение ре­зультатов обучения при различных модификациях и гиперпараметрах. Основным результатом исследования является получение эффективной модели нейросети и подтверждение потенци­ала ее применения для сегментирования ультразвуковых изображений скелетных мышц.

Список литературы

1. 1. Shah Р. et al. Artificial intelligence and machine learning in clinical development: a translational perspective // NPJ digital medicine. 2019. T. 2. № 1. P. 69.
2. Хилл К., Бэмбер Дж., Хаар Г. Ультразвук в медицине. Физические основы применения: учебник. Москва: Физматлит, 2008. 544 с.
3. Практическое руководство по ультразвуковой диагностике. Общая ультразвуковая диагно­стика / под ред. В. В. Митькова. Москва: Видар-М, 2011. 720 с.
4. Васильев А. Ю. и др. Артефакты в ультразвуковой диагностике // М.: ФГОУ ВУНМЦ Росздрава. 2006.
5. Cronin N. J., Finni Т., Seynnes О. Fully automated analysis of muscle architecture from B-mode ultrasound images with deep learning // arXiv preprint arXiv:2009.04790. 2020.
6. Mayeuf-Louchart A. et al. MuscleJ: a high-content analysis method to study skeletal muscle with a new Fiji tool // Skeletal muscle. 2018. T. 8. P. 1-11.
7. Мищенко E. А., Демин И. Ю. Использование машинного обучения для сегментации УЗИ изображений скелетной мышцы // Математическое моделирование и суперкомпьютерные тех­нологии. Труды XXIII Международной конференции (И. Новгород, 13-16 ноября 2023 г.) / Под

ред. проф. Д. В. Баландина. Нижний Новгород: Изд-во Нижегородского университета, 2023. С. 106-111.

1. Аветисян М. С. Сегментирование объемных медицинских изображений с использованием сверточных нейронных сетей. Магистерская диссертация // МГУ им. Ломоносова, Факультет ВМК. 2018. С. 58.
2. Ronneberger О., Fischer Р., Brox Т. U-net: Convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part HI 18. Springer International Publishing, 2015. P. 234-241.
3. Punn N. S., Agarwal S. Modality specific U-Net variants for biomedical image segmentation: a survey // Artificial Intelligence Review. 2022. T. 55. № 7. P. 5845-5889.
4. Zhou Z. et al. Unet++: A nested u-net architecture for medical image segmentation // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 20, 2018, Proceedings 4. Springer International Publishing, 2018. P. 3-11.
5. Hoorali F., Khosravi H., Moradi B. Automatic microscopic diagnosis of diseases using an improved UNet++ architecture // Tissue and Cell. 2022. T. 76. P. 101816.
6. Козлова О. В., Куница Е. Ю., Лукашевич М. М. U-net для решения задачи сегментации медицинских изображений // Пятая Международная научно-практическая конференция «BIG DATA and Advanced Analytics. BIG DATA и анализ высокого уровня» / Минск, Республика Бе­ларусь. 2019.
7. Калацкая Л. В., Новиков В. А., Садов В. С. Организация и обучение искусственных нейронных сетей: Экспериментальное учебное пособие // Минск: Изд-во БГУ. 2003. С. 52-72.