Косинов Александр Владимирович, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Aleksandr V. Kosinov, Postgraduate at the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Крупчатников Роман Анатольевич, доктор технических наук, профессор, профессор кафедры биомедицинской инженерии
Scopus ID: 24471766700
ул. 50 лет Октября, д. 94, г. Курск 305040
Roman A. Krupchatnikov, Dr. Sci. (Engineering), Professor, Professor at the Department of Biomedical Engineering
Scopus ID: 24471766700
50 Let Oktyabrya Str. 94, Kursk 305040
Серебровский Вадим Владимирович, доктор технических наук, профессор, профессор кафедры программной инженерии
Researcher ID: О-8221-2015
ул. 50 лет Октября, д. 94, г. Курск 305040
Vadim V. Serebrovsky, Dr. of Sci. (Engineering), Professor, Professor of the Department of Software Engineering
Researcher ID: O-8221-2015
50 Let Oktyabrya Str. 94, Kursk 305040
Ефремов Михаил Александрович, кандидат технических наук, доцент кафедры информационной безопасности
Scopus ID: 58712948800
ул. 50 лет Октября, д. 94, г. Курск 305040
Mihail A. Efremov, Cand. Sci. (Engineering), Associate Professor at the Department of Information Security
Scopus ID: 58712948800
50 Let Oktyabrya Str. 94, Kursk 305040
Кондрашов Дмитрий Сергеевич, кандидат технических наук, преподаватель кафедры биомедицинской инженерии
Researcher ID: KFT-0791-2024
ул. 50 лет Октября, д. 94, г. Курск 305040
Dmitry S. Kondrashov, Cand. Sci. (Engineering), Lecturer at the Department of Biomedical Engineering
Researcher ID: KFT-0791-2024
50 Let Oktyabrya Str. 94, Kursk 305040
Целью исследования является разработка методики клинически ориентированного обучения, валидации и выбора нейросетевой модели сегментации пневмоторакса на рентгенограммах органов грудной клетки при выраженном дисбалансе классов и необходимости контролируемого ограничения ложных срабатываний в составе систем поддержки принятия решений.
Методы. В работе предложена двухконтурная схема оценивания качества сегментации, включающая технический контур, служащий для контроля сходимости обучения по значениям функции потерь и сырым показателям, а также клинический контур для оценки бинаризованных масок после фиксированной постобработки результатов. Для каждой эпохи обучения выполняется перебор порога бинаризации; рабочая точка считается допустимой при выполнении клинических ограничений, после чего итоговая эпоха выбирается как максимизирующая индекс Дайса на положительных случаях среди допустимых решений. Сегментатор реализован на основе архитектуры U-Net++ и обучается по двухэтапной схеме с повышением пространственного разрешения с использованием гибридной функции потерь.
Результаты. На клинически репрезентативном материале — наборе разработки SIIM-ACR — финальная конфигурация, выбранная по протоколу на 15-й эпохе, обеспечила индекс Дайса на положительных случаях = 0,753 (95% ДИ 0,734-0,771) при частоте ложноположительных срабатываний = 0,177 (95% AN 0,158-0,197) и чувствительности на уровне изображения = 0,948 и ощутимо превзошла базовую конфигурацию.
Заключение. Предложенная методика двухконтурной валидации и критериального выбора эпохи в допустимой области обеспечивает воспроизводимый контроль компромисса между качеством сеементации на патологических снимках и частотой ложных тревог на снимках без патологии, снижая риск выбора субоптимальной модели при ориентировании только на минимум функции потерь. Полученные результаты подтверждают целесообразность использования разработанного протокола при проектировании сегментационных модулей для систем поддержки принятия решений в задачах лучевой диагностики.
The purpose of the research is to develop a clinically oriented methodology for training, validating, and selecting a neural network model for pneumothorax segmentation on chest radiographs under severe class imbalance and the need for controlled limitation of false positive alerts in clinical decision support systems.
Methods. We propose a two-loop segmentation quality assessment framework comprising a technical loop for monitoring training convergence using the loss function values and raw metrics, and a clinical loop for evaluating binarized masks after a fixed post-processing pipeline. For each training epoch, a binarization threshold is swept; an operating point is deemed acceptable if predefined clinical constraints are satisfied. The final epoch is then selected as the one that maximizes Dice index on positive cases among all acceptable solutions. The segmenter is implemented using a UNet++ architecture and trained via a two-stage scheme with increasing spatial resolution, using a hybrid loss function.
Results. On clinically representative data SIIM-ACR development set, configuration selected by the protocol achieved Dice index on positive cases = 0,753 (95% CI 0,734–0,771) with false positive rate = 0,177 (95% CI 0,158– 0,197) and image-level sensitivity = 0,948, and substantially outperformed the baseline configuration.
Conclusion. The proposed two-loop validation methodology and constraint-based epoch selection within the admissible region provide reproducible control of the trade-off between segmentation quality on pathological images and the false alarm rate on non-pathological images, reducing the risk of selecting a suboptimal model when relying solely on minimum loss. The results support the use of the developed protocol in designing segmentation modules for decision support systems in radiological imaging tasks.
The authors declare that there are no conflicts of interest present.