АНАЛІЗ МЕТОДІВ СЕГМЕНТАЦІЇ БІОМЕДИЧНИХ 3D-ДАНИХ ЗА ДОПОМОГОЮ ГЛИБОКОГО НАВЧАННЯ
DOI: 10.31673/2786-8362.2025.017489
Анотація
У статті здійснено комплексний огляд сучасних підходів до
сегментації біомедичних 3D-сканів із використанням методів глибокого навчання. Проведено
порівняльний аналіз архітектур нейронних мереж, зокрема згорткових нейронних мереж (CNN),
трансформерів (Transformer) та новітніх моделей типу Mamba, які забезпечують різні рівні
обчислювальної складності, точності та здатності до узагальнення. Описано переваги використання
гібридних архітектур, мультимодальних підходів, стратегій попереднього навчання, включаючи
самонавчання та генеративні змагальні мережі (GAN), для підвищення точності в умовах обмежених
розмічених даних. Стаття висвітлює актуальні проблеми сегментації, пов’язані з високою
складністю біомедичних зображень, варіативністю протоколів сканування та обмеженнями
ресурсів. Запропоновано практичні рекомендації щодо вибору архітектури на основі характеристик
задачі, набору даних і обчислювальних можливостей. Також розглянуто стандартні метрики оцінки
(коефіцієнт Дайса, відстань Хаусдорфа) та використання відкритих медичних наборів (BraTS, LiTS,
ACDC) для тестування моделей.
Ключові слова: сегментація медичних зображень, 3D-біомедичні дані, глибоке навчання,
згорткові нейронні мережі, трансформери, архітектура Mamba, медична візуалізація,
мультимодальні дані, доповнення даних, нейронні моделі, обчислювальна ефективність,
самонавчання, BraTS, LiTS, ACDC
Список використаної літератури
1. Ronneberger, O., Fischer, P., & Brox, T. U-Net: Convolutional networks for biomedical image
segmentation. MICCAI, 234–241.
2. Chen, J., Lu, Y., Yu, Q., Luo, X., Adeli, E., Wang, Y., Xing, L. TransUNet: Transformers Make
Strong Encoders for Medical Image Segmentation. arXiv preprint arXiv:2102.04306.
3. Hatamizadeh, A., Nath, V., Liu, Y., Yin, Z., Kapp, D., & Tagare, H. Swin-Unet: Unet-like Pure
Transformer for Medical Image Segmentation. arXiv preprint arXiv:2205.05003.
4. Zhang, Y., Yang, J., & Wang, Q. GAN-based data augmentation for liver tumor segmentation
in CT scans. Medical Image Analysis, 78, 102401.
5. Zhou, Z., Seyedhosseini, M., & Tasdizen, T. Self-supervised learning for 3D medical image
segmentation. EEE Transactions on Medical Imaging, 42(3), 901–912.
6. Kim, H., Lee, J., & Park, J. Efficient3DNet: Lightweight 3D convolutional networks for fast
medical image segmentation. Computerized Medical Imaging and Graphics, 100, 102198.
7. S. Niyas, S.J. Pawan, M. Anand Kumar, Jeny Rajan. Medical image segmentation with 3D
convolutional neural networks: A survey. Neurocomputing, Volume 493,7 July 2022, Pages 397-413
https://doi.org/10.1016/j.neucom.2022.04.065.
8. Ali Hatamizadeh, Yucheng Tang, Vishwesh Nath, Dong Yang, Andriy Myronenko, Bennett
Landman, Holger R. Roth, Daguang Xu; Proceedings of the IEEE/CVF Winter Conference on
Applications of Computer Vision (WACV), 2022, pp. 574-584
9. Zhaohu Xing, Tian Ye, Yijun Yang, Guang Liu, Lei Zhu. SegMamba: Long-range Sequential
Modeling Mamba For 3D Medical Image Segmentation. (2024)
https://doi.org/10.48550/arXiv.2401.13560.
10. Md. Eshmam Rayed, S.M. Sajibul Islam, Sadia Islam Niha, Jamin Rahman Jim, Md Mohsin
Kabir, M.F. Mridha. Deep learning for medical image segmentation: State-of-the-art advancements
and challenges. ELSEVIER Volume 47, 2024,101504https://doi.org/10.1016/j.imu.2024.101504.
