<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Сегментація легень на рентген-знімках грудної клітини з анатомічно орієнтованою оцінкою

Ескіз

Файли

206481.pdf (1,74 MB)

Дата

2026

Автори


Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

https://doi.org/10.31649/2307-5376-2026-1-161-171

Анотація

У роботі розглянуто задачу сегментації області легень на рентген-знімках грудної клітини як важливий етап попередньої обробки медичних зображень та підготовки даних для систем комп’ютерної діагностики. Реалізовано підхід сегментації, що поєднує фільтрацію зображень за допомогою фільтра Гауса з метою зменшення шуму та порогову сегментацію методом Оцу для автоматичного виділення області легень. Основну увагу приділено оцінюванню якості сегментації в умовах відсутності розмічених даних, зокрема еталонних масок легень. Для комплексного аналізу результатів запропоновано систему показників, що поєднує структурні, фотометричні та анатомічно орієнтовані характеристики. Зокрема, використано індекс структурної подібності (SSIM), стандартне відхилення інтенсивності у межах сегментованої області, коефіцієнт контрасту між сегментованою областю легень і фоном, коефіцієнт відносної площі сегментованої області та коефіцієнт вертикальної симетрії. Поєднання даних показників дозволяє оцінювати внутрішню текстурну неоднорідність області легень, ступінь її фотометричного відокремлення від навколишніх структур, а також відповідність виділеної форми анатомічним особливостям. Запропонована система забезпечує комплексне оцінювання якості сегментації та перевірку правдоподібності результатів за відсутності еталонної розмітки, що розширює можливості застосування підходу у практичних задачах аналізу медичних зображень. Додатково проведено експериментальну оцінку інформативності запропонованих показників на відкритому наборі даних, що містить еталонні маски легень. Отримані результати підтверджують узгодженість запропонованих показників із коефіцієнтом Dice та демонструють наявність характерних інтервалів значень, що відповідають коректній сегментації. Це підтверджує можливість використання запропонованої системи показників як узагальненого інструменту оцінювання якості сегментації незалежно від використаного методу. Запропонований підхід може бути використаний як основа для подальших досліджень у задачах аналізу медичних зображень.

Опис

Ключові слова

сегментація легень , рентгенографія грудної клітини , анатомічно орієнтована оцінка , обробка зображень

УДК

004.8; 004.62; 612.2

Тип документа

Article, professional native edition
Article

Мова

uk_UA

Є частиною

Наукові праці Вінницького національного технічного університету. № 1.

ISSN

2307-5376

Бібліографічний опис

Пашко А. О., Сучков В. І. Сегментація легень на рентген-знімках грудної клітини з анатомічно орієнтованою оцінкою // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані (PDF: 1,65 МБ). 2026. № 1. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/928.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/52407

Зібрання

Наукові праці ВНТУ. 2026. № 1

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (14)

  1. C. 77–86. DOI: 10.17721/2706-9699.2025.2.06. 2. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015). 2015. C. 234–241. DOI: 10.1007/978- 3-319-24574-4_28.
  2. Din S., Shoaib M., Serpedin E. CXR-Seg: A Novel Deep Learning Network for Lung Segmentation from Chest X-Ray Images. Bioengineering. 2025. Vol. 12, №2. 167. DOI: 10.3390/bioengineering12020167.
  3. External validation, radiological evaluation, and development of deep learning automatic lung segmentation in contrast-enhanced chest CT / K. Dwivedi et al. European Radiology. 2024. Vol. 34, № 4. P. 2727–2737. DOI: 10.1007/s00330-023-10235-9.
  4. A Comprehensive Review of Traditional and Deep Learning-Based Methods for Medical Image Segmentation / L. Alzubaidi et al. Bioengineering. 2024. Vol. 11, № 10. 1034. DOI: 10.3390/bioengineering11101034.
  5. Lung Segmentation in Chest Radiographs Using Anatomical Atlases with Nonrigid Registration / S. Candemir et al. IEEE Transactions on Medical Imaging. 2014. Vol. 33, № 2. P. 577–590. DOI: 10.1109/TMI.2013.2290491.
  6. Bosdelekidis V., Ioakeimidis N. S. Lung Field Segmentation in Chest X-rays: A Deformation-Tolerant Procedure Based on the Approximation of Rib Cage Seed Points. Applied Sciences. 2020. Vol. 10, № 18. 6264. DOI: 10.3390/app10186264.
  7. Improving anatomical plausibility in medical image segmentation via hybrid graph neural networks: applications to chest x-ray analysis / N. Gaggion et al. IEEE Transactions on Medical Imaging. 2022. DOI: 10.1109/TMI.2022.3224660.
  8. COVID-19 Image Data Collection: Prospective Predictions are the Future / J. P. Cohen et al. The Journal of Machine Learning for Biomedical Imaging. 2020. Vol. 1. P. 1–38. DOI: 10.59275/j.melba.2020-48g7.
  9. Agchung. Figure1 COVID Chest X-ray Dataset: веб-сайт. URL: https://github.com/agchung/Figure1-COVIDchestxray-dataset (датазвернення: 27.02.2026).
  10. Gonzalez R. C., Woods R. E. Digital Image Processing. 3rd ed. Upper Saddle River: Pearson Education, 2008. 954 p.