Вестник КРАУНЦ. Физ.-мат. науки. 2020. Т. 31. № 2. C. 117-128. ISSN 2079-6641

Содержание выпуска/Contents of this issue

ИНФОРМАЦИОННЫЕ И ВЫЧИСЛИТЕЛЬНЫЕ ТЕХНОЛОГИИ

Научная статья

УДК 519.88

Свёрточные сети для сегментации изображений крупных вен

А. А. Егоров¹², С. А. Лысенкова¹, К. В. Мазайшвили¹

¹Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры Сургутский государственный университет, 628412, г. Сургут, пр. Ленина, д. 1
²Сургутский филиал Федеральное государственное учреждение Федеральный научный центр Научно-исследовательский институт системных исследований Российской академии наук, 628426, г. Сургут, ул. Базовая, д. 34.

E-mail: eaafit@gmail.com, lsa1108@mail.ru, admin@antireflux.ru

В статье представлены результаты работы по сегментации изображений отдельных снимков магнитно-резонансной томографии забрюшинного пространства. Рассматриваются вопросы обнаружения и сегментации объектов магистральных вен забрюшинного пространства на основе свёрточной архитектуры нейронной сети для семантической пиксельной сегментации. Предлагается автоматический, точный и надежный метод с использованием свёрточной нейронной сети U-Net для извлечения сосудов вен из МРТ изображений. Глубокое обучение сети с большим рецептивным полем U-Net позволяет достичь значительных результатов даже при наличие не качественных исходных данных, на малых обучающих выборках. Стратегия расширения данных представляется эффективным способом уменьшения степени переобучения в распознавании медицинских образов — вен.

Ключевые слова: свёрточная архитектура, нейронные сети, сегментация изображений, медицинские данные.

DOI: 10.26117/2079-6641-2020-31-2-117-128

Поступила в редакцию: 15.04.2020

В окончательном варианте: 14.05.2020

Для цитирования. Егоров А. А., Лысенкова С. А., Мазайшвили К. В. Свёрточные сети для сегментации изображений крупных вен // Вестник КРАУНЦ. Физ.-мат. науки. 2020. Т. 31. № 2. C. 117-128. DOI: 10.26117/2079-6641-2020-31-2-117-128

Конкурирующие интересы. Авторы заявляют, что конфликтов интересов в отношении авторства и публикации нет.
Авторский вклад и ответственность. Все авторы участвовали в написании статьи и полностью несут ответственность за предоставление окончательной версии статьи в печать. Окончательная версия рукописи была одобрена всеми авторами.

Контент публикуется на условиях лицензии Creative Commons Attribution 4.0 International
(https://creativecommons.org/licenses/by/4.0/deed.ru)

© Егоров А. А., Лысенкова С. А., Мазайшвили К. В., 2020

Финансирование. Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта №18-47-860005 р_а.

Список литературы (ГОСТ)

  1. Мазайшвили К. В., Климова Н. В., Дарвин В. В., Дрожжин Е. В., Щебряков В. В., Мамедов Р. Э. Возможности магнитно-резонансной флебографии при посттромботической патологии нижней полой вены и подвздошных вен // Вестник СурГУ. Медицина. 2017, №4. Т.34. С.11-16.
  2. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks. In: NIPS. 2012. pp. 1106-1114
  3. Francois Chollet. Deep learning with Python. Manning, 2018. 386 p.
  4. Ronneberger O., Fischer P., Brox, T.: U-net: Convolutional networks for biomedical image segmentation. In: MICCAI. LNCS, 2015. vol. 9351, pp. 234-241.
  5. Bertels J., Eelbode T., Berman M., Vandermeulen D., Maes F., Bisschops R., Blaschko M. Optimizing the Dice Score and Jaccard Index for Medical Image Segmentation: Theory & Practice. arXiv Preprint arXiv:1911.01685. 2019.
  6. Ronneberger O., Fischer Ph., Brox Th. U-Net Convolutional Networks for Biomedical Image Segmentation. arXiv Preprint arXiv:1505.04597. 2015.
  7. Ruder S. An overview of gradient descent optimization algorithms. arXiv Preprint arXiv:1609.04747. 2016.
  8. Huanga O., Sun J., Ding H., Wangb X., Wanga G. Robust liver vessel extraction using 3D U-Net with variant dice loss function // Computersin Biologyand Medicine. 2018. Vol. 101, no. 1. pp. 153-162.

INFORMATION AND COMPUTATION TECHNOLOGIES

Research Article

MSC 68T07

Convolutional networks for segmentation of large vein images

A. A. Egorov¹², S. A. Lysenkova¹, K. V. Mazayshvily¹

¹Budget institution of higher education of the Khanty-Mansiysk Autonomous Okrug–Ugra Surgut State University, 628412, Surgut, Lenin Ave., 1, Russia
²Surgut branch Federal State Institution Federal Scientific Center Scientific
Research Institute for System Research of the Russian Academy of Sciences,
628426, Surgut, st. Basic, 34, Russia

E-mail: eaafit@gmail.com, lsa1108@mail.ru, admin@antireflux.ru

The article presents the results of work on image segmentation individual images of magnetic resonance imaging of the retroperitoneal space. The issues of detection and segmentation of objects the main veins of retroperitoneal space based on the convolutional architecture of a neural network for semantic pixel segmentation are considered. An automatic, accurate and reliable method using the convolutional neural network U-Net for extracting vein vessels from MRI images is proposed. Deep network training with a large receptive field U-Net allows you to achieve significant results even with the presence of low-quality source data, on small training samples. The data expansion strategy seems to be an effective way to reduce the degree of retraining in the recognition of medical images — veins.

Key words: convolutional architecture, neural networks, image segmentation, medical data.

DOI: 10.26117/2079-6641-2020-31-2-117-128

Original article submitted: 15.04.2020

Revision submitted: 14.05.2020

For citation. Egorov A. A., Lysenkova S. A., Mazayshvily K.V. Convolutional networks for segmentation of large vein images.Vestnik KRAUNC. Fiz.-mat. nauki. 2020, 31: 2, 117-128. DOI: 10.26117/2079-6641-2020-31-2-117-128

Competing interests. The authors declare that there are no conflicts of interest regarding authorship and publication.
Contribution and Responsibility. All authors contributed to this article. Authors are solely responsible for providing the final version of the article in print. The final version of the manuscript was approved by all authors.

The content is published under the terms of the Creative Commons Attribution 4.0 International
License (https://creativecommons.org/licenses/by/4.0/deed.ru)

© Egorov A. A., Lysenkova S. A., Mazayshvily K.V., 2020

Funding. The study was carried out with the financial support of the Russian Federal Property Fund in the framework of the scientific project No. 18-47-860005 p_a.

Список литературы/References

  1. Мазайшвили К. В., Климова Н. В., Дарвин В. В., Дрожжин Е. В., Щебряков В. В., Мамедов Р. Э., “Возможности магнитно-резонансной флебографии при посттромботической патологии нижней полой вены и подвздошных вен”, Вестник СурГУ. Медицина, 34:4 (2017), 11-16. [Mazayshvili K.V., Klimova N.V., Darvin V.V., Drozhzhin Ye.V., Shchebryakov V.V., Mamedov R. E., “Vozmozhnosti magnitno-rezonansnoy flebografii pri posttromboticheskoy patologii nizhney poloy veny i podvzdoshnykh ven”, Vestnik SurGU. Meditsina, 34:4 (2017), 11-16].
  2. Krizhevsky A., Sutskever I., Hinton G.E., “Imagenet classification with deep convolutional neural networks”, NIPS, 2012, 1106-1114.
  3. Chollet F., Deep learning with Python. Manning, 2018, 386 pp.
  4. Ronneberger O., Fischer P., Brox, T., “U-net: Convolutional networks for biomedical image segmentation”, MICCAI, 9351 (2015), 234-241.
  5. Bertels J., Eelbode T., Berman M., Vandermeulen D., Maes F., Bisschops R., Blaschko M., Optimizing the Dice Score and Jaccard Index for Medical Image Segmentation: Theory & Practice, arXiv Preprint arXiv:1911.01685, 2019.
  6. Ronneberger O., Fischer Ph., Brox Th, U-Net Convolutional Networks for Biomedical Image Segmentation, Preprint arXiv:1505.04597, 2015.
  7. Ruder S., An overview of gradient descent optimization algorithms, Preprint arXiv:1609.04747, 2016.
  8. Huanga O., Sun J., Ding H., Wangb X., Wanga G., “Robust liver vessel extraction using 3D U-Net with variant dice loss function”, Computersin Biologyand Medicine, 101:1 (2018), 153-162.

Егоров Александр Алексеевич – кандидат технических наук, доцент кафедры информатики и вычислительной техники, Сургутский государственный университет», г. Сургут, Россия, ORCID: 0000-0003-1049-3788.

Egorov Alexander Alekseevich – Ph.D. (Tech), Associate Professor Dep. of Informatics and Computer Engineering, Surgut State University, Surgut, Russia, ORCID: 0000-0003-1049-3788.


Лысенкова Светлана Александровна – кандидат физико-математических наук, доцент, БУ ВО «Сургутский государственный университет», г. Сургут, Россия, ORCID: 0000-0003-1007-7610.

Lysenkova Svetlana Aleksandrovna – Ph.D. (Phys. & Math.) Associate Professor, Surgut State University, Surgut, Russia, ORCID: 0000-0003-1007-7610.


Мазайшвили Константин Витальевич – доктор медицинских наук, профессор, БУ ВО «Сургутский государственный университет», г. Сургут, Россия, ORCID:0000-0002-6761-2381.

Mazayshvili Konstantin Vitalievich – D. Sci. (Med) Professor, Surgut State University, Surgut, Russia, ORCID:0000-0002-6761-2381.