Киселев Алексей Викторович, кандидат технических наук, доцент, доцент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Alexey V. Kiselev, Candidate of Sciences (Engineering), Associate Professor, Associate Professor at the Department of Computer Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Кулешова Елена Александровна, кандидат технических наук, доцент кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Elena A. Kuleshova, Candidate of Sciences (Engineering), Associate Professor at the Department of Computer Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Горелов Владислав Дмитриевич, студент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Vladislav D. Gorelov, Student at the Department of Computer Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Конаныхина Татьяна Николаевна, кандидат технических наук, доцент, доцент кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Tatyana N. Konanykhina, Candidate of Sciences (Engineering), Associate Professor, Associate Professor at the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Чьямова Зоя Константиновна, студент кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Zoya K. Chyamova, Student at the Department of Information Security
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования ‒ исследование возможности применения одноэтапной нейросетевой модели YOLOv8l-seg для автоматической пространственной локализации костных сарком на рентгенограммах.
Методы. Для обучения нейросетевой модели был синтезирован набор данных на основе аннотированных оцифрованных рентгенограмм с подтвержденными костными саркомами и рентгенограмм без патологии. Изображения в наборе данных были предобработаны (стандартизация размера и контрастности) и разделены на обучающую (1003 изображения) и валидационную (204 изображения) выборки. Для решения задачи сегментации экземпляров костных сарком использовалась нейросетевая модель YOLOv8l-seg с предобученными весами на наборе данных COCO. Процесс дообучения был реализован с применением метода глубокого трансферного обучения. Для предотвращения переобучения нейросетевой модели был применен метод ранней остановки, отслеживающий значение валидационной функции потерь.
Результаты. Тестирование нейросетевой модели проводилось на независимой тестовой выборке, состоявшей из 148 оцифрованных рентгенограмм с подтвержденными костными саркомами и рентгенограмм без патологии, которые не были задействованы на этапах обучения и валидации. Проведенная оценка эффективности показала, что в 78,2% случаев модель не только правильно классифицирует опухоль, но и с приемлемой точностью очерчивает ее пространственные границы, а значение метрики AUC ROC, равное 0,951, подтверждает высокую дискриминативную способность модели в различении патологии от нормы. Данный результат, хотя и не является эталонным, подтверждает применимость предложенного подхода для решения задачи локализации и контурирования костных сарком на рентгенограммах.
Заключение. Исходя из результатов проведенного анализа, можно сделать вывод, что в отличие от моделей, предоставляющих лишь вероятностную оценку, основное преимущество предлагаемого решения заключается в сегментации экземпляров костных сарком, которая может быть непосредственно использована врачом-рентгенологом в качестве инструмента поддержки принятия решений
The purpose of the research is to investigate the possibility of using the YOLOv8l‒seg single-stage neural network model for automatic spatial localization of bone sarcomas on radiographs.
Methods. To train the neural network model, a data set was synthesized based on annotated digitized radiographs with confirmed bone sarcomas and radiographs without pathology. The images in the dataset were preprocessed (standardization of size and contrast) and divided into training (1003 images) and validation (204 images) samples. To solve the problem of segmentation of bone sarcoma instances, the YOLOv8l-seg neural network model with pretrained weights on the COCO dataset was used. The retraining process was implemented using the deep transfer learning method. To prevent overfitting of the neural network model, an early stop method was applied that tracks the value of the validation loss function.
Results. The neural network model was tested on an independent test sample consisting of 148 digitized radio graphs with confirmed bone sarcomas and X-rays without pathology, which were not involved in the training and vali dation stages. The efficiency assessment showed that in 78.2% of cases, the model not only correctly classifies the tumor, but also outlines its spatial boundaries with acceptable accuracy, and the AUC-ROC metric value of 0.951 confirms the high discriminative ability of the model in distinguishing pathology from the norm. This result, although not a reference, confirms the applicability of the proposed approach to solving the problem of localization and con touring of bone sarcomas on radiographs.
Conclusion. Based on the results of the analysis, it can be concluded that, unlike models that provide only a probabilistic estimate, the main advantage of the proposed solution lies in the segmentation of bone sarcoma instances, which can be directly used by a radiologist as a decision support tool.
The authors declare that there are no conflicts of interest present.