kaz29Вестник Казахстанско-Британского технического университетаHerald of the Kazakh-British Technical University1998-66882959-8109Казахстанско-Британский Технический Университет10.55452/1998-6688-2021-18-3-83-88kaz29-106Research ArticleФИЗИКО-МАТЕМАТИЧЕСКИЕ И ТЕХНИЧЕСКИЕ НАУКИPHYSICAL, MATHEMATICAL AND TECHNICAL SCIENCESСРАВНИТЕЛЬНОЕ ИССЛЕДОВАНИЕ СОВРЕМЕННЫХ НЕЙРОСЕТЕВЫХ АРХИТЕКТУР ДЛЯ ЗАДАЧ СЕГМЕНТИРОВАНИЯ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙCOMPARATIVE STUDY OF MODERN NEURAL NETWORK ARCHITECTURES FOR MEDICAL IMAGE SEGMENTATION PROBLEMShttps://orcid.org/0000-0003-3514-7558НагметоваА.NagmetovaA.

050000, Алматы

Nagmetova Anar Aidarbekkyzy - MSc, Chief Business Analyst, Customer Base Management Sector

050000, Almaty

nagmetova.a@gmail.comhttps://orcid.org/0000-0002-7553-1338АлдошА.AldoshA.

050000, Алматы

Aldosh Adil Akylbaiuly - Master of Engineering Science, Data Developer, One Technologies LLP

050000, Almaty

aldosch.adeel@gmail.comКазахстанско-Британский технический университетКазахстанKazakh-British technical universityKazakhstan2021051120211838388Copyright © Нагметова А., Алдош А., 20212021Нагметова А., Алдош А.Nagmetova A., Aldosh A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.kbtu.edu.kz/jour/article/view/106

Компьютерное зрение - это область машинного обучения, которая отвечает за машинное восприятие визуальной информации. Сегментация изображения - это сфера компьютерного зрения, которая решает задачу разделения цифрового изображения на сегменты по их метке класса. Одной из основных проблем в данной сфере является нехватка данных и восстановление пространственной информации для классифицированного изображения. Эта статья представляет собой краткий обзор современных подходов к сегментации биомедицинских изображений, в частности архитектур сверточных нейронных сетей и морфологического преобразования для аугментации данных.

Computer Vision is the area of Machine Learning that is responsible for machine perception of visual information. Image segmentation is a subfield of Computer Vision that solves the task of dividing a digital image into segments by their class label. One of the main problems in the subfield is the scarcity of data and the restoration of spatial information for the classified image. This article is a brief survey of current Biomedical Image Segmentation approaches, specifically Convolutional Neural Networks architectures and the morphological transformation for data augmentation.

компьютерное зрениесегментация медицинских изображенийсвёрточные нейронные сетиаугментация данныхcomputer visionbiomedical image segmentationconvolutional neural networksdata augmentationReferencesO. Ronneberger, P. Fischer, T. Brox, (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In: N. Navab, J. Hornegger, W. Wells, A. Frangi. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. https://doi.org/10.1007/978-3-319-24574-4_28O. Ronneberger, P. Fischer, T. Brox, (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In: N. Navab, J. Hornegger, W. Wells, A. Frangi. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. https://doi.org/10.1007/978-3-319-24574-4_28J. Long, E. Shelhamer, T. Darrell, (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3431-3440J. Long, E. Shelhamer, T. Darrell, (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3431-3440F. P. An, & J. E. Liu, (2020). Medical Image Segmentation Algorithm Based on Optimized Convolutional Neural Network-Adaptive Dropout Depth Calculation. Complexity, 2020. https://doi.org/10.1155/2020/1645479F. P. An, & J. E. Liu, (2020). Medical Image Segmentation Algorithm Based on Optimized Convolutional Neural Network-Adaptive Dropout Depth Calculation. Complexity, 2020. https://doi.org/10.1155/2020/1645479R. Rodrigues, R. Braz, M. Pereira, J. Moutinho, & A. M. G. Pinheiro, (2015). A Two-Step Segmentation Method for Breast Ultrasound Masses Based on Multi-resolutionAnalysis. Ultrasound in Medicine and Biology, 41(6), 1737–1748. https://doi.org/10.1016/j.ultrasmedbio.2015.01.012R. Rodrigues, R. Braz, M. Pereira, J. Moutinho, & A. M. G. Pinheiro, (2015). A Two-Step Segmentation Method for Breast Ultrasound Masses Based on Multi-resolutionAnalysis. Ultrasound in Medicine and Biology, 41(6), 1737–1748. https://doi.org/10.1016/j.ultrasmedbio.2015.01.012A. M. Anter, & A. E. Hassenian, (2019). CT liver tumor segmentation hybrid approach using neutrosophic sets, fast fuzzy c-means and adaptive watershed algorithm. Artificial Intelligence in Medicine, 97(March), 105–117. https://doi.org/10.1016/j.artmed.2018.11.007A. M. Anter, & A. E. Hassenian, (2019). CT liver tumor segmentation hybrid approach using neutrosophic sets, fast fuzzy c-means and adaptive watershed algorithm. Artificial Intelligence in Medicine, 97(March), 105–117. https://doi.org/10.1016/j.artmed.2018.11.007

The authors declare that there are no conflicts of interest present.