Тип публикации: статья из журнала
Год издания: 2025
Идентификатор DOI: 10.36622/1729-6501.2025.21.2.002
Ключевые слова: deep learning, Brain tumor segmentation, MRI images, neural networks, medical imaging, глубокое обучение, сегментация опухолей мозга, МРТ-изображения, нейронные сети, медицинская визуализация
Аннотация: Представлен обзор современных методов глубокого обучения, используемых для сегментации опухолей головного мозга на МРТ-изображениях. Рассматриваются такие архитектуры нейронных сетей, как Mask-RCNN, многомасштабные сверточные нейронные сети (CNN), гибридные модели и архитектуры U-Net. Основное внимание уделено преимуществам этих меПоказать полностьютодов, включая высокую точность сегментации, автоматическое извлечение сложных признаков, снижение необходимости ручного вмешательства и возможность работы с разными типами МРТ-изображений. Обсуждаются недостатки, такие как зависимость от объема аннотированных данных, сложности обработки изображений с низким контрастом, высокие требования к вычислительным ресурсам и необходимость точной калибровки моделей. Проведен сравнительный анализ методов глубокого обучения с традиционными подходами, который показал их превосходство в точности, надежности и воспроизводимости результатов. Рассмотрены практические примеры использования данных методов в клинической практике для диагностики, планирования лечения и последующего мониторинга пациентов. Предлагаются перспективные направления дальнейших исследований, включая адаптацию моделей для работы с ограниченными наборами данных, улучшение энергоэффективности алгоритмов, развитие самонастраиваемых архитектур и интеграцию с многофункциональными системами поддержки принятия решений. Полученные результаты подтверждают важность этих методов для повышения качества диагностики, персонализированного лечения и прогноза заболеваний This paper presents an overview of modern deep learning methods used for brain tumor segmentation in MRI images. We considered neural network architectures such as mask-RCNN, multi-scale convolutional neural networks (CNN), hybrid models, and u-net architectures. The main focus is on the advantages of these methods, including high segmentation accuracy, automatic extraction of complex features, and reduced need for manual intervention. We also discussed drawbacks such as dependence on the volume of annotated data, difficulties in processing low-contrast images, and high computational requirements. We conducted a comparative analysis of deep learning methods with traditional approaches, which revealed their superiority in accuracy and reliability. We also considered practical examples of using these methods in clinical practice for diagnosis and treatment planning of brain tumors. The article suggests directions for further research, including optimization of models for working with smaller datasets and improvement of energy efficiency, which will allow for wider implementation of deep learning methods in medical practice. The results obtained confirm the importance of these methods for improving the quality of diagnosis and treatment
Журнал: Вестник Воронежского государственного технического университета
Выпуск журнала: Т.21, №2
Номера страниц: 12-19
ISSN журнала: 17296501
Место издания: Воронеж
Издатель: Воронежский государственный технический университет