Підвищення ефективності сегментації області хребта за допомогою ансамблю попередньо навчених нейронних мереж
Анотація
Актуальність. Точність сегментації хребців на рентгенівських знімках є критичною для клінічних рішень, оскільки ручний метод є трудомістким. Використання глибокого навчання ускладнене через низький контраст, шум та артефакти положення пацієнта. Ці негативні фактори роблять одну нейронну мережу ненадійною. Таким чином, для покращення точності та ефективності сегментації, незалежно від якості рентгенівських знімків, виникає потреба в ансамблі нейронних мереж, який нівелює індивідуальні недоліки моделей шляхом агрегації їхніх результатів.
Мета роботи — підвищення точності та ефективності сегментації ділянки хребта, яка складається із чотирьох хребців (Th8, Th9, Th10, Th11), на рентгенівських знімках завдяки використанню ансамблю попередньо навчених нейронних мереж.
Матеріали і методи. Для проведення експериментів було використано два набори даних: перший набір зі 183 зображеннями було розподілено у співвідношенні 70% / 10% / 20% для навчання, валідації та тестування, в свою чергу другий набір із 58 зображень застосовувався виключно для фінальної оцінки генералізаційної здатності ансамблю на нових даних. У процесі дослідження спочатку порівнювали точність сегментації з аугментацією та без, після чого з початкових 20 моделей було відібрано 10 найкращих для подальшого використання, а для агрегації масок було використано п’ять ансамблевих алгоритмів.
Результати. Для ансамблю попередньо навчених нейронних мереж найкращий результат показав метод м’якого голосування. Порівняння отриманого результату з даними, наведеними у праці Конюхова В. Д. та ін. (2024), продемонструвало покращення на 3.06%. Такий показник однозначно підтверджує ефективність використання попередньо навчених мереж для сегментації ділянки хребта.
Висновки. Метод м’якого голосування для ансамблю попередньо навчених нейронних мереж продемонстрував найбільше покращення точності сегментації в порівнянні з іншими методами. Агрегування знань із 10 моделей успішно нівелювало недоліки використання кожної з них окремо. Використання ансамблю попередньо навчених нейронних мереж покращило точність сегментації як для тестових даних першого набору, так і для другого набору даних. Такі результати підтверджують доцільність застосування запропонованого ансамблевого підходу для сегментації хребців на рентгенівських зображеннях органів грудної клітки в медичних задачах.
Завантаження
Посилання
GBD 2021 Low Back Pain Collaborators. Global, regional, and national burden of low back pain, 1990–2020, its attributable risk factors, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021. Lancet Rheumatol. 2023;5(6):e316–e329. https://doi.org/10.1016/S2665-9913(23)00098-X
Ou X, Chen X, Xu X, Xie L, Chen X, Hong Z, et al. Recent development in X-ray imaging technology: future and challenges. Research. 2021;2021:9892152. https://doi.org/10.34133/2021/9892152
Goodwin ML, Buchowski JM, Sciubba DM. Why X-rays? The importance of radiographs in spine surgery. Spine J. 2022;22(11):1759–67. https://doi.org/10.1016/j.spinee.2022.07.102
Jin C, Wang S, Yang G, Li E, Liang Z. A review of the methods on Cobb angle measurements for spinal curvature. Sensors. 2022;22(9):3258. https://doi.org/10.3390/s22093258
Wills BP, Auerbach JD, Zhu X, Caird MS, Horn BD, Flynn JM, et al. Comparison of Cobb angle measurement of scoliosis radiographs with preselected end vertebrae: traditional versus digital acquisition. Spine. 2007;32(1):98–105. https://doi.org/10.1097/01.brs.0000251086.84420.d1
Minaee S, Boykov Y, Porikli F, Plaza A, Kehtarnavaz N, Terzopoulos D. Image segmentation using deep learning: a survey. IEEE Trans. Pattern Anal Mach Intell. 2022;44(7):3523–42. https://doi.org/10.1109/TPAMI.2021.3059968
Çallı E, Sogancioglu E, van Ginneken B, van Leeuwen KG, Murphy K. Deep learning for chest X-ray analysis: a survey. Med Image Anal. 2021;72:102125. https://doi.org/10.1016/j.media.2021.102125
Baltruschat IM, Nickisch H, Grass M, Knopp T, Saalbach A. Comparison of deep learning approaches for multi-label chest X-ray classification. Sci Rep. 2019;9(1):6381. https://doi.org/10.1038/s41598-019-42294-8
Akter S, Shamrat F, Chakraborty S, Karim A, Azam S. COVID-19 detection using deep learning algorithm on chest X-ray images. Biology. 2021;10(11):1174. https://doi.org/10.3390/biology10111174
Chen IDS, Yang C-M, Chen M-J, Chen M-C, Weng R-M, Yeh C-H. Deep learning-based recognition of periodontitis and dental caries in dental X-ray images. Bioengineering. 2023;10(8):911. https://doi.org/10.3390/bioengineering10080911
Hardalaç F, Uysal F, Peker O, Çiçeklidağ M, Tolunay T, Tokgöz N, et al. Fracture detection in wrist X-ray images using deep learning-based object detection models. Sensors. 2022;22(3):1285. https://doi.org/10.3390/s22031285
Abdullah SS, Rajasekaran MP. Automatic detection and classification of knee osteoarthritis using deep learning approach. Radiol med. 2022;127(3):398–406. https://doi.org/10.1007/s11547-022-01476-7
Hamdy S, Charrier A, Corre LL, Rasti P, Rousseau D. Toward robust and high-throughput detection of seed defects in X-ray images via deep learning. Plant Methods. 2024;20(1):63. https://doi.org/10.1186/s13007-024-01195-2
Alzubaidi L, Salhi A, Fadhel MA, Bai J, Hollman F, Italia K, et al. Trustworthy deep learning framework for the detection of abnormalities in X-ray shoulder images. PLoS One. 2024;19(3):e0299545. https://doi.org/10.1371/journal.pone.0299545
Cheng L-W, Chou H-H, Cai Y-X, Huang K-Y, Hsieh C-C, Chu P-L, et al. Automated detection of vertebral fractures from X-ray images: A novel machine learning model and survey of the field. Neurocomputing. 2024;566:126946. https://doi.org/10.1016/j.neucom.2023.126946
Koniukhov V. Improving the segmentation of the vertebrae using a multi-stage machine learning algorithm. Radioelectronic and Computer Systems. 2024;(4):83–90. https://doi.org/10.32620/reks.2024.4.07
Koniukhov VD, Morgun OM, Nemchenko KE. Impact of preprocessing and comparison of neural network ensemble methods for segmentation of the thoracic spine in X-ray images. Radio Electronics, Computer Science, Control. 2024;4:102–12. https://doi.org/10.15588/1607-3274-2024-4-10
Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells W, Frangi A, editors. Medical image computing and computer-assisted intervention – MICCAI 2015. MICCAI 2015. Lecture notes in computer science, vol 9351. Cham: Springer; 2015. p. 234-41. https://doi.org/10.1007/978-3-319-24574-4_28
Koniukhov VD, Morgun OM, Nemchenko KE. Comparative analysis of ensemble methods for X-ray images: study of the influence on trained and new data. In: Computer modeling in science-intensive technologies: proceedings of the International scientific and technical conference. Kharkiv; 2024. p. 100–103. (In Ukrainian). Available from: https://drive.google.com/file/d/1Vyvntnwud71YE21aGqyZMb483fAQL6pe/
Stanford AIMI. CheXpert Chest X-Rays [Internet]. AIMI Center. [cited 2025 Nov 16]. Available from: https://aimi.stanford.edu/datasets/chexpert-chest-x-rays
Vindr.ai. Vindr.ai datasets: SpineXR [Internet]. Vindr.ai. [cited 2025 Nov 16]. Available from: https://vindr.ai/spinexr
Qadri SF, Shen L, Ahmad M, Qadri S, Zareen SS, Akbar MA. SVseg: stacked sparse autoencoder-based patch classification modeling for vertebrae segmentation. Mathematics. 2022;10(5):796. https://doi.org/10.3390/math10050796
Lu H, Li M, Yu K, Zhang Y, Yu L. Lumbar spine segmentation method based on deep learning. J Appl Clin Med Phys. 2023;24(6):e13996. https://doi.org/10.1002/acm2.13996
van der Graaf JW, van Hooff ML, Buckens CFM, Rutten M, van Susante JLC, Kroeze RJ, et al. Lumbar spine segmentation in MR images: a dataset and a public benchmark. Scientific Data. 2024;11(1):264. https://doi.org/10.1038/s41597-024-03090-w
Авторське право (c) 2026 В. Д. Конюхов, О. М. Моргун, K. E. Нємченко
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
