TY - JOUR

T1 - Мультиклассовая генерация поверхностей сложных анатомических структур с помощью нейронной сети

AU - Епифанов, Ростислав Юрьевич

AU - Федотова, Яна Валерьевна

AU - Попов, Дмитрий Романович

AU - Мулляджанов, Рустам Илхамович

N1 - Мультиклассовая генерация поверхностей сложных анатомических структур с помощью нейронной сети / Р.Ю. Епифанов, Я.В. Федотова, Д.Р. Попов, Р.И. Мулляджанов // Доклады Российской академии наук. Математика, информатика, процессы управления. – 2025. – Т. 527. -№ S. – С. 354-366. – DOI 10.7868/S2686954325070318. – EDN TUHOGE. Работа выполнена при поддержке Математического Центра в Академгородке, соглашение с Министерством науки и высшего образования Российской Федерации № 075-15-2025-349.

PY - 2025

Y1 - 2025

N2 - Мы предлагаем универсальную архитектуру нейронной сети для одноэтапной мультиклассовой генерации полигональных моделей анатомических структур по трехмерным медицинским изображениям. Ключевым элементом архитектуры является обучаемый аффинный модуль, который динамически позиционирует и масштабирует затравочные поверхности анатомических структур. Это устраняет необходимость ручной подготовки шаблонов и снижает число самопересечений итоговых сеток. Эффективность предложенного подхода мы подтвердили на наборах данных CHAOS и MMWHS. На CHAOS достигнут средний Dice 0.958 при ASSD 1.399 мм, причем самопересечения наблюдались лишь у 2 из 20 сгенерированных поверхностей. На MMWHS среднее значение Dice по структурам сердца составляет порядка 0.9, а доля самопересекающихся граней сопоставима с лучшими аналогами либо ниже. В совокупности результаты демонстрируют соответствие точности современному уровню при существенно более чистой топологии сеток. При абляционном анализе мы также подтвердили важность аффинного модуля для генерации топологически корректных полигональных моделей.

AB - Мы предлагаем универсальную архитектуру нейронной сети для одноэтапной мультиклассовой генерации полигональных моделей анатомических структур по трехмерным медицинским изображениям. Ключевым элементом архитектуры является обучаемый аффинный модуль, который динамически позиционирует и масштабирует затравочные поверхности анатомических структур. Это устраняет необходимость ручной подготовки шаблонов и снижает число самопересечений итоговых сеток. Эффективность предложенного подхода мы подтвердили на наборах данных CHAOS и MMWHS. На CHAOS достигнут средний Dice 0.958 при ASSD 1.399 мм, причем самопересечения наблюдались лишь у 2 из 20 сгенерированных поверхностей. На MMWHS среднее значение Dice по структурам сердца составляет порядка 0.9, а доля самопересекающихся граней сопоставима с лучшими аналогами либо ниже. В совокупности результаты демонстрируют соответствие точности современному уровню при существенно более чистой топологии сеток. При абляционном анализе мы также подтвердили важность аффинного модуля для генерации топологически корректных полигональных моделей.

KW - МУЛЬТИКЛАССОВАЯ ГЕНЕРАЦИЯ ПОВЕРХНОСТЕЙ

KW - ПОЛИГОНАЛЬНЫЕ СЕТКИ

KW - АФФИННОЕ ВЫРАВНИВАНИЕ

KW - НЕЙРОННЫЕ СЕТИ

UR - https://www.elibrary.ru/item.asp?id=83189218

U2 - 10.7868/S2686954325070318

DO - 10.7868/S2686954325070318

M3 - статья

VL - 527

SP - 354

EP - 366

JO - Доклады Российской академии наук. Математика, информатика, процессы управления

JF - Доклады Российской академии наук. Математика, информатика, процессы управления

SN - 2686-9543

IS - S

ER -