Інтелектуальні алгоритми формування та аналізу медичних зображень

Abstract

The paper considers the application of intelligent algorithms for medical image analysis and formation in tasks of personalized 3D reconstruction of human anatomical structures. Modern medical image segmentation methods are analyzed and their main limitations are identified, including insufficient accuracy in the presence of noise, artifacts, and damaged image regions. A reconstruction method combining deep learning algorithms and anatomical symmetry principles is proposed. An experimental study and comparison with baseline approaches were conducted. The obtained results demonstrate improved reconstruction accuracy and better restoration quality of anatomical structures. The study developed an intelligent method for personalized 3D reconstruction of anatomical structures, which combines deep learning algorithms, spatial analysis and symmetrical restoration of damaged areas. The proposed method is based on the use of the U-Net neural network for segmentation of medical images and the subsequent application of geometric principles of symmetry for the reconstruction of missing parts of the structure. The experimental study confirmed the effectiveness of the proposed method. The results obtained showed an improvement in the Dice and IoU indicators compared to classical algorithms and standard U-Net segmentation. In addition, the use of symmetrical restoration allowed to reduce the reconstruction error and improve the geometric integrity of three-dimensional models.

У роботі розглянуто застосування інтелектуальних алгоритмів для аналізу та формування медичних зображень у задачах персоналізованої 3D-реконструкції анатомічних структур людини. Проаналізовано сучасні методи сегментації медичних зображень та визначено їх основні недоліки, зокрема недостатню точність при наявності шумів, артефактів і пошкоджених ділянок даних. Запропоновано метод реконструкції, що поєднує алгоритми глибокого навчання та принципи симетрії анатомічних структур. Проведено експериментальне дослідження та порівняння результатів із базовими методами. Отримані результати свідчать про підвищення точності реконструкції та покращення якості відновлення анатомічних структур. У ході дослідження було розроблено інтелектуальний метод персоналізованої 3D-реконструкції анатомічних структур, який поєднує алгоритми глибокого навчання, просторовий аналіз та симетричне відновлення пошкоджених областей. Запропонований метод базується на використанні нейронної мережі U-Net для сегментації медичних зображень та подальшому застосуванні геометричних принципів симетрії для реконструкції відсутніх ділянок структури. Проведене експериментальне дослідження підтвердило ефективність запропонованого методу. Отримані результати показали покращення показників Dice та IoU у порівнянні з класичними алгоритмами та стандартною U-Net сегментацією. Крім того, використання симетричного відновлення дозволило зменшити похибку реконструкції та покращити геометричну цілісність тривимірних моделей.