ТРАНСФОРМЕРЛЕР НЕГІЗІНДЕГІ АНСАМБЛЬ КӨМЕГІМЕН 3D КТ КЕСКІНДЕРІНДЕ ИНСУЛЬТТІ СЕГМЕНТАЦИЯЛАУ

Ишемиялық инсульт өлім-жітім мен мүгедектіктің басты себептерінің бірі саналады. Бас миының КТ-суреттеріндегі зақымдалған аймақтарды дәл сегментациялау дер кезінде диагноз қою және клиникалық шешімдер қабылдауда маңызды. Бұл мақалада SE-UNETR және Swin UNETR трансформерлік модельдерін салмақталған дауыс беру арқылы біріктіруге негізделген ансамбльдік әдіс ұсынылады. Бағалау үшін Дайс коэффициенті қолданылды, бұл метрика зақымдану аймақтарының болжамды нәтижелері мен эталондық белгілерінің қиылысу дәрежесін өлшейді. Жалғыз модельдерді пайдаланудан айырмашылығы, ансамбльдік нейрондық желілік тәсілдер бірнеше архитектураның болжамдарын үйлестіре біріктіру арқылы сегментацияның анағұрлым жоғары сенімділігі мен дәлдігін қамтамасыз етеді. Ресей Ғылым академиясының Сібір бөлімшесінің халықаралық томография орталығы ұсынған жедел ишемиялық инсульт диагнозы қойылған 98 пациенттің үшөлшемді КТ-суреттері пайдаланылды. Нәтижелер ұсынылған ансамбльдің жеке модельдерден жоғары өнімділік көрсеткенін дәлелдеді. Dice коэффициентінің орташа мәні 0.7983 құрап, ишемиялық ошақтарды сегментациялаудағы әдістің жоғары тиімділігін көрсетті. Талдау барысында ансамбльдік әдіс бас миының КТ-суреттеріндегі зақым шекараларын дәлірек анықтап, сегментация қателерін азайтты. Ұсынылған әдіс инсультпен қатар, медициналық бейнелерді нақтылы талдау қажет болатын басқа да патологияларды автоматтандырылған түрде анықтау жүйелерінде қолданыс таба алады.

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.