АНСАМБЛЕВАЯ МОДЕЛЬ НА ОСНОВЕ ТРАНСФОРМЕРОВ ДЛЯ СЕГМЕНТАЦИИ ИШЕМИЧЕСКОГО ИНСУЛЬТА НА 3D КТ

Ишемический инсульт является одной из основных причин смертности и инвалидности. Точная сегментация пораженных областей на КТ-снимках головного мозга имеет решающее значение для своевременной диагностики и принятия клинических решений. В данной работе предлагается ансамблевая методика, основанная на объединении моделей трансформеров SE-UNETR и Swin UNETR с помощью взвешенного голосования. Для оценки качества использовался коэффициент Дайса, метрика, измеряющая степень пересечения предсказанных областей поражения с эталонной разметкой. В отличие от использования одиночных моделей, ансамблевые нейросетевые подходы обеспечивают более высокую надежность и точность сегментации за счет согласованного объединения предсказаний нескольких архитектур. Были использованы трехмерные КТ-снимки 98 пациентов с острым ишемическим инсультом, предоставленные Международным центром томографии Сибирского отделения Российской академии наук. Результаты подтвердили, что предложенный ансамбль демонстрирует более высокую производительность по сравнению с отдельными моделями. Среднее значение коэффициента Дайса составило 0.7983, что свидетельствует о высокой эффективности метода при сегментации ишемических очагов. Анализ показал, что ансамблевая методика позволяет более точно определять границы поражений на КТ-снимках головного мозга и снижает ошибки сегментации. Предложенный подход может быть применен не только для инсульта, но и для других патологий, требующих точного анализа медицинских изображений в автоматизированных системах диагностики.

1. Bakator, M., & Radosav, D. Deep learning and medical diagnosis: A review of literature. Multimodal Technologies and Interaction, 2(3), 47 (2018). https://doi.org/10.3390/mti2030047

2. Zhu, S., Xia, X., Zhang, Q., & Belloulata, K. An image segmentation algorithm in image processing based on threshold segmentation. Proceedings of the Third International IEEE Conference on Signal-Image Technologies and Internet-Based Systems, Shanghai, China, 673–678 (2007). https://doi.org/10.1109/SITIS.2007.116

3. Chen, X., Williams, B.M., Vallabhaneni, S.R., Czanner, G., Williams, R., & Zheng, Y. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 11632–11640 (2019).

4. Khan, M.Z., Gajendran, M.K., Lee, Y., & Khan, M.A. Deep neural architectures for medical image semantic segmentation: Review. IEEE Access, 9, 83002–83024 (2021). https://doi.org/10.1109/ACCESS.2021.3086530.

5. Tursynova, A., & Omarov, B. 3D U-Net for brain stroke lesion segmentation on ISLES 2018 dataset. Proceedings of the 16th International Conference on Electronics Computer and Computation (ICECCO), Kazakhstan, 1–4 (2021). https://doi.org/10.1109/ICECCO53203.2021.9663825.

6. Khan, W.R., Madni, T.M., Janjua, U.I., Javed, U., Khan, M.A., Alhaisoni, M., Tariq, U., & Cha, J.-H. A hybrid attention-based residual U-Net for semantic segmentation of brain tumor. Computers, Materials & Continua, 76(1), 647–664 (2023). https://doi.org/10.32604/cmc.2023.039188.

7. Zhang, B., Qiu, S., & Liang, T. Dual attention-based 3D U-Net liver segmentation algorithm on CT images. Bioengineering, 11, 737 (2024). https://doi.org/10.3390/bioengineering11070737.

8. Siddique, N., Paheding, S., Elkin, C.P., & Devabhaktuni, V. U-Net and its variants for medical image segmentation: A review of theory and applications. IEEE Access, 9, 82031–82057 (2021). https://doi.org/10.1109/ACCESS.2021.3086020.

9. Pinheiro, G.R., Voltoline, R., Bento, M., & Rittner, L. V-Net and U-Net for ischemic stroke lesion segmentation in a small dataset of perfusion data. In: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries (BrainLes 2018). Cham: Springer, 301–309 (2019).

10. Atika, L., Nurmaini, S., Partan, R.U., & Sukandi, E. Image segmentation for mitral regurgitation with convolutional neural network based on U-Net, ResNet, V-Net, FractalNet, and SegNet: A preliminary study. Big Data and Cognitive Computing, 6(4), 141 (2022). https://doi.org/10.3390/bdcc6040141.

11. Amirgaliyev, Y.N., Buribayev, Z.A., Melis, Z.M., & Ataniyazova, A.S. On one approach to recognizing fuzzy images of faces based on an ensemble. Proceedings of the 25th International Conference on Circuits, Systems, Communications and Computers (CSCC) (2021). https://doi.org/10.1109/CSCC53858.2021.00011.

12. Berikov, V.B., & Cherikbayeva, L.S. Searching for optimal classifier using a combination of cluster ensemble and kernel method. CEUR Workshop Proceedings, 2098, 45–60 (2018).

13. Dobshik, A.V., Verbitskiy, S.K., Pestunov, I.A., Sherman, K.M., Sinyavskiy, Y.N., Tulupov, A.A., & Berikov, V.B. Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks. Computer Optics, 47(5), 770–777 (2023). https://doi.org/10.18287/2412-6179-CO-1233.

14. Hatamizadeh, A., Tang, Y., Nath, V., Yang, D., Myronenko, A., Landman, B., Roth, H., & Xu, D. UNETR: Transformers for 3D medical image segmentation. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) (2022). https://doi.org/10.1109/WACV51458.2022.00109.

15. Hatamizadeh, A., Yang, D., Roth, H.R., & Xu, D. Swin UNETR: Swin transformers for semantic segmentation of brain tumors in MRI images. arXiv preprint arXiv:2201.01266 (2022). https://arxiv.org/abs/2201.01266.

16. Tang, Y., Yang, D., Li, W., Roth, H.R., Landman, B., & Xu, D. Self-supervised pre-training of Swin transformers for 3D medical image analysis. arXiv preprint arXiv:2111.14791 (2022).

17. Zhao, W., Li, Y., Lin, S., et al. 3D medical image segmentation using hybrid Swin transformers: A comparative study. Medical Imaging with Deep Learning (MIDL) (2023).

18. Sriramakrishnan, P., Kalaiselvi, T., Padmapriya, S.T., Shanthi, N., Ramkumar, S., & Kalaichelvi, N. An medical image file formats and digital image conversion. International Journal of Engineering and Advanced Technology, 9(1S3), 74–78 (2019).

19. Wang, Y., Wang, H., Shen, K., Chang, J., & Cui, J. Brain CT image segmentation based on 3D slicer. Journal of Complexity in Health Sciences, 3(1), 34–42 (2020). https://doi.org/10.21595/chs.2020.21263.

20. Kleesiek, J., Urban, G., Hubert, A., Schwarz, D., Maier-Hein, K., Bendszus, M., & Biller, A. Deep MRI brain extraction: A 3D convolutional neural network for skull stripping. NeuroImage, 129, 460–469 (2016). https://doi.org/10.1016/j.neuroimage.2016.01.024.

21. Lima, F.T., & Souza, V.M.A. A large comparison of normalization methods on time series. Big Data Research, 34, 100407 (2023). https://doi.org/10.1016/j.bdr.2023.100407.

22. Jin, X., Xie, Y., Wei, X.-S., Zhao, B.-R., & Chen, Z.-M. Delving deep into spatial pooling for squeeze and excitation networks. Pattern Recognition, 121, 108159 (2021). https://doi.org/10.1016/j.patcog.2021.108159.

23. Ogundokun, R.O., Maskeliunas, R., Misra, S., & Damaševičius, R. Improved CNN based on batch normalization and Adam optimizer. In: International Conference on Computational Science and Its Applications. Cham: Springer, 593–604 (2022). https://doi.org/10.1007/978-3-031-10545-6_43.

24. Choquette, J., Gandhi, W., Giroux, O., Stam, N., & Krashinsky, R. NVIDIA A100 Tensor Core GPU: Performance and innovation. IEEE Micro, 41(2), 29–35 (2021). https://doi.org/10.1109/MM.2021.3053039.

25. Wang, J., Wang, S., & Liang, W. METrans: Multi-encoder transformer for ischemic stroke segmentation. Electronics Letters, 58, 340–342 (2022). https://doi.org/10.1049/ell2.12444.

26. Omarov, M., Ibragimov, M., Kaldybekov, K., & Aytmahanov, M. Modified 3D U-Net for brain stroke lesion segmentation on computed tomography images. Computers, 11, 23 (2022). https://doi.org/10.3390/computers11020023.