uprinmatusИзвестия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроениеProceedings of the Southwest State University. Series: IT Management, Computer Science, Computer Engineering. Medical Equipment Engineering2223-1536Юго-Западный государственный университет10.21869/2223-1536-2026-16-2-150-166uprinmatus-487Research ArticleРАСПОЗНАВАНИЕ И ОБРАБОТКА ИЗОБРАЖЕНИЙIMAGE RECOGNITION AND PROCESSINGАвтоматизированное распознавание форм патологий верхнечелюстных пазух в цифровой диафаноскопии с помощью свёрточных нейронных сетейAutomated recognition of maxillary sinus pathology forms in digital diaphanoscopy using convolutional neural networkshttps://orcid.org/0009-0002-1936-8545ГерасинД. В.GerasinD. V.

Дмитрий Владимирович Герасин, стажер-исследователь научно-технологического центра биомедицинской фотоники

ул. Комсомольская, д. 95, г. Орёл 302026

Author ID: 1326548

Dmitrii V. Gerasin, Research Assistant at the Research and Development Center of Biomedical Photonics

Author ID: 1326548 

95 Komsomolskaya Str., Orel 302026

G.D.V.1984@mail.ruhttps://orcid.org/0000-0002-2950-4443БрянскаяЕ. О.BryanskayaE. O.

Екатерина Олеговна Брянская, кандидат технических научных, научный сотрудник научно-технологического центра биомедицинской фотоники

ул. Комсомольская, д. 95, г. Орёл 302026

Author ID: 1015210

Ekaterina O. Bryanskaya, Candid. Sci. (Engineering), Research Fellow at the Research and Development Center of Biomedical Photonics

Author ID: 1015210 

95 Komsomolskaya Str., Orel 302026

branskayae@mail.ruhttps://orcid.org/0000-0003-2750-6899БакотинаА. В.BakotinaA. V.

Анна Васильевна Бакотина, кандидат медицинских наук, ассистент кафедры оториноларингологии

Author ID: 1343762

ул. Долгоруковская, д. 4, г. Москва 127006

Anna V. Bakotina, Candid. Sci. (Medical), Assistant at the Department of Otorhinolaryngology

Author ID: 1343762 

4 Dolgorukovskaya Str., Moscow 127006

bakotina88@gmail.comhttps://orcid.org/0000-0001-6974-3505ДрёминВ. В.DreminV. V.

Виктор Владимирович Дрёмин, кандидат технических научных, старший научный сотрудник научно-технологического центра биомедицинской фотоники

ул. Комсомольская, д. 95, г. Орёл 302026

Author ID: 787806

Viktor V. Dremin, Candid. Sci. (Medical), Senior Researcher at the Biomedical Photonics Research and Technology Center

Author ID: 787806 

95 Komsomolskaya Str., Orel 302026

dremin_viktor@mail.ruhttps://orcid.org/0000-0003-4431-6288ДунаевА. В.DunaevA. V.

Андрей Валерьевич Дунаев, доктор технических, доцент, ведущий научный сотрудник научно-технологического центра биомедицинской фотоники

Author ID: 212404

ул. Комсомольская, д. 95, г. Орёл 302026

Andrey V. Dunaev, Dr. Sci. (Engineering), Associate Professor, Leading Researcher Fellow at the Research and Development Center of Biomedical Photonics

Author ID: 212404 

95 Komsomolskaya Str., Orel 302026

dunaev@bmecenter.ruОрловский государственный университет имени И. С. ТургеневаРоссияOrel State University named after I.S. TurgenevRussian FederationРоссийский университет медицины Министерства здравоохранения РоссииРоссияRussian University of Medicine of the Ministry of Health of RussiaRussian Federation202607082026162150166Copyright © Герасин Д.В., Брянская Е.О., Бакотина А.В., Дрёмин В.В., Дунаев А.В., 20262026Герасин Д.В., Брянская Е.О., Бакотина А.В., Дрёмин В.В., Дунаев А.В.Gerasin D.V., Bryanskaya E.O., Bakotina A.V., Dremin V.V., Dunaev A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://uprinmatus.elpub.ru/jour/article/view/487

Целями исследования являются разработка и обоснование системы поддержки принятия врачебных решений, использующей алгоритм классификации патологий верхнечелюстных пазух в цифровой диафаноскопии на базе свёрточной нейронной сети ResNet-50, для повышения точности выявления патологий (синусит и кистозное изменение) в условиях скрининга здоровья населения.

Методы

Методы. Рассмотрены особенности патологий, выявлены их формы, которые чаще всего встречаются у пациентов ринологического профиля. Разработан классификатор патологий верхнечелюстных пазух на три класса по результатам анализа диафанограмм, зарегистрированных с помощью программно-аппаратного комплекса цифровой диафаноскопии, с использованием свёрточной нейронной сети ResNet- 50. В работе предложены алгоритмы для системы поддержки принятия врачебных решений.

Результаты

Результаты. Разработано программное средство классификации состояния тканей верхнечелюстных пазух с использованием алгоритма свёрточной нейронной сети ResNet-50, реализующее алгоритмы обучения и классификации патологий верхнечелюстных пазух. Проведена апробация разработанной системы поддержки принятия врачебных решений. Получены следующие показатели точности при дифференцировании состояния верхнечелюстных пазух на три класса: «отсутствие патологии» — чувствительность 0,94, специфичность 0,96, точность 0,95; «синусит» — чувствительность 0,9, специфичность 0,95 и точность 0,88; «кистозное изменение» — чувствительность 0,86, специфичность 0,96 и точность 0, 88.

Заключение

Заключение. Предлагаемая система поддержки принятия врачебных решений обеспечивает более высокую точность диагностики по сравнению с существующими экономически доступными методами. Кроме тогo, предложенное решение способно дифференцировать типы патологических изменений на диафанограммах в отличие от ранее предложенных подходов в цифровой диафаноскопии. Таким образом, paзработанная технология оптической диагностики состояния тканей верхнечелюстных пазух совместно с разработанной на основе СНС моделью классификации в виде системы поддержки принятия врачебных решений может быть применена как в рамках скрининга здоровья населения (для раннего выявления патологии), так и в рамках диагностики и контроля эффективности назначаемой терапии в отоларингологии, ЛОР-онкологии и стоматологии, а также в телемедицине.

The purposes of the reseach are to develop and justify a medical decision support system that uses an algorithm for classifying maxillary sinus pathologies in digital dia-fanoscopy based on the ResNet-50 convolutional neural network to increase the accuracy of detecting pathologies (sinusitis and cystic change) in the context of population health screening.

Methods

Methods. The features of pathologies were considered, their forms were revealed, which are most often found in rhinological patients. A classifier of maxillary sinus pathologies was developed into three classes based on the results of the analysis of diaphanograms recorded using a digital diaphanoscopy software and hardware complex using the ResNet-50 convolutional neural network. The work proposes algorithms for a system for supporting medical decisionmaking.

Results

Results. A software tool has been developed for classifying the state of maxillary sinus tissues using the ResNet-50 convolutional neural network algorithm, which implements algorithms for learning and classifying maxillary sinus pathologies. The developed medical decision support system was tested. The following accuracy indicators were obtained when differentiating the condition of the maxillary sinuses into three classes: "absence of pathology" – sensitivity 0,94, specificity 0,96, accuracy 0,95; "sinusitis" – sensitivity 0,9, specificity 0,95 and accuracy 0,88; "cystic change" – sensitivity 0,86, specificity 0,96 and accuracy 0,88.

Conclusion

Conclusion. The proposed medical decision support system provides more accurate diagnostics than existing economically available methods. In addition, the proposed solution is able to differentiate the types of pathological changes on diaphanograms in contrast to the previously proposed approaches in digital diaphanoscopy. In this way, the developed technology for optical diagnostics of the condition of the maxillary sinuses, together with the classification model developed on the basis of the SNS in the form of a system for supporting the adoption of medical decisions, can be used both as part of population health screening (for early detection of pathology), and as part of the diagnosis and control of the effectiveness of the prescribed therapy in otolaryngology, ENT oncology and dentistry, as well as in telemedicine.

цифровая диафаноскопиясинуситкистозные заболеванияалгоритм классификацииобучение моделисвёрточные нейронные сетиdigital diaphanoscopysinusitiscystic changesclassification algorithmmodel learningconvolutional neural networksРабота выполнена при финансовой поддержке гранта Российского научного фонда № 24-75-00144.The study was funded by Russian Science Foundation according to the research project № 24-75-00144.ReferencesРаспространенность и структура заболеваний носа и околоносовых пазух среди взрослого населения мегаполиса / А. И. Крюков, Г. Ю. Царапкин, С. Г. Романенко, А. С. Товмасян, С. А. Панасов // Российская ринология. 2017. Т. 25, № 1. С. 3—6. https://doi.org/10.17116/ROSRINO20172513-6.Krukov A.I., Tsarapkin G.Yu., Romanenko S.G., Tovmasian A.S., Panasov S.A. The prevalence and structure of diseases of the nose and paranasal sinuses among the adult population of a megalopolis. Rossiiskaya rinologiya = Russian rhinology. 2017;25(1):3-6. (In Russ.) https://doi.org/10.17116/ROSRINO20172513-6.Применение метода терагерцовой газовой спектроскопии высокого разрешения для анализа состава продуктов термического разложения тканей кист околоносовых пазух / А. А. Айзенштадт, В. А. Анфертьев, В. Л. Вакс, K. А. Гаврилова, Е. Г. Домрачева, Р. А. Ларин, М. Б. Черняева // Оптический журнал. 2021. Т. 88, № 3. С. 72-76. https://doi.org/10.17586/1023-5086-2021-88-03-72-76.Aisenstadt A.A., Anfertiev V.A., Vaks V.L., Gavrilova K.A., Domracheva E.G., Larin R.A., Chernyaeva M.B. Application of the high resolution terahertz gas spectroscopy method for analyzing the composition of thermal decomposition products of tissues of cysts of the sinuses. Opticheskii Zhurnal = Optical Magazine. 2021;88(3):72–76. (In Russ.) http://doi.org/10.17586/1023-5086-2021-88-03-72-76.Острый риносинусит: терапия с акцентом на ключевые звенья патогенеза / Е. В. Носуля, И. А. Ким, Ю. В. Лучшева, Д. С. Огородников // Российская ринология. 2023. Т. 31, № 3. С. 212-218. https://doi.org/10.17116/rosrino202331031212.Nosulya E.V., Kim I.A., Luchsheva Yu.V., Ogorodnikov D.S. Acute rhinosinusitis: treatment with a focus on key elements of pathogenesis. Rossiiskaya rinologiya = Russian Rhinology. 2023;31(3):212-218. (In Russ.) https://doi.org/10.17116/rosrino202331031212.Пальчун В. Т., Гуров A.B. Болезни yxa, горла и Hoca. 3-е изд., испр. М.: ГЭОТАР-Медиа, 2020. 336 с.Palchun V. T., Gurov A.V. Diseases of the ear, throat and nose. 3rd ed. Moscow: GEOTAR-Media; 2020. 336 p. (In Russ.)Методы оценки функционального состояния слизистой оболочки верхнечелюстных пазух (обзор литературы) / М. М. Магомедов, Ш. Ю. Авкаева, О. H. Рождественская, Т. H. Жоголева // Вестник оториноларингологии. 2026. Т. 91, № 1. С. 70—75. https://doi.org/10.17116/10.17116/0torino20269101170.Magomedov M.M., Avkaeva Sh.Yu., Rozhdestvenskaya O.N., Zhogoleva T.N. Methods for assessing the functional state of the mucous membrane of the maxillary sinuses (literature review). Vestnik otorinolaringologii = Bulletin of Otorhinolaryngology. 2026;91(1):70-75. (In Russ.) https://doi.org/10.17116/10.17116/otorino20269101170.Whyte А., Boeddinghaus R. The maxillary sinus: physiology, development and imaging anatomy // Dentomaxillofacial Radiology. 2019. Vol. 48, М№8&8. P. 20190205. https://doi.org/10.1259/dmfr.20190205.Whyte A., Boeddinghaus R. The maxillary sinus: physiology, development and imaging anatomy. Dentomaxillofacial Radiology. 2019;48(8):20190205. https://doi.org/10.1259/dmfr. 20190205.Исмаилова М. X., Салиджанов У. M. Особенности диагностики хронических воспалительных заболеваний придаточных пазух носа // European Research: Innovation in Science, Education and Technology: Collection of scientific articles XL VIII International correspondence scientific and practical conference. London: United Kingdom: Problems of Science, 2019. P. 83-86.Ismailova M.H., Salidzhanov U.M. Features of diagnosis of chronic inflammatory diseases of the paranasal sinuses. In: European Research: Innovation in Science, Education and Technology: Collection of scientific articles XLVIII International correspondence scientific and practical conference. London: United Kingdom: Problems of Science; 2019. P. 83– 86. (In Russ.)Digital diaphanoscopy of the maxillary sinuses: A revival of optical diagnosis for rhinosinusitis / K. Stoelzel, А. J. Szczepek, H. Olze, S. Koss, О. Minet, О. Zabarylo // American Journal оf Otolaryngology. 2020. Vol. 41, N 3. P. 102444. https://doi.org/10.1016/j-amjot0.2020.102444.Stoelzel K., Szczepek A.J., Olze H., Koss S., Minet O., Zabarylo U. Digital diaphanoscopy of the maxillary sinuses: A revival of optical diagnosis for rhinosinusitis. American Jour- nal of Otolaryngology. 2020;41(3):102444. https://doi.org/10.1016/J.amjoto.2020.102444.Волков А. Г., Бойко Н. B., Стагниева И. В. Заболевания носа и околоносовых пазух у беременных. Особенности диагностики (обзор литературы) // Российская оториноларингология. 2017. № 2. С. 113-119. https://doi.org/10.18692/1810-4800-2017-2-113-119.Volkov A.G., Boyko N.V., Stagnieva I.V. Diseases of the nose and paranasal sinuses in pregnant women. Diagnostic features (literature review). Rossiiskaya otorinolaringologiya = Russian otorhinolaryngology. 2017;(2):113-119. (In Russ.) https://doi.org/10.18692/1810-4800-2017-2-113-119.Optical Diagnostics of the Maxillary Sinuses by Digital Diaphanoscopy Technology / E. O. Bryanskaya, I. N. Novikova, V. V. Dremin, R. Y. Gneushev, O. A. Bibikova, A. V. Dunaev, V. G. Artyushenko // Diagnostics. 2021. Vol. 77, N 11. P. 77. https://doi.org/10.3390/diagnostics11010077.Bryanskaya E.O., Novikova I.N., Dremin V.V., Gneushev R.Y., Bibikova O.A., Dunaev A.V., Artyushenko V.G. Optical Diagnostics of the Maxillary Sinuses by Digital Diaphanoscopy Technology. Diagnostics. 2021;77(11):77. https://doi.org/10.3390/diagnostics 11010077.Digital diaphanoscopy of maxillary sinus pathologies supported by machine learning/ Е. О. Bryanskaya, V. V. Dremin, V. V. Shupletsov, А. V. Коrnаеv, M. Yu. Kirillin, А. V. Bakotina, D. N. Panchenkov, K. V. Podmasteryev, У. С. Artyushenko, А. V. Dunaev // Journal of Biophotonics. 2023. Vol. 17, is. 1. P. е202300138. https://doi.org/10.1002/jbi0.202300138.Bryanskaya E.O., Dremin V.V., Shupletsov V.V., Kornaev A.V., Kirillin M.Yu., Bakotina A.V., Panchenkov D.N., Podmasteryev K.V., Artyushenko V.G., Dunaev A.V. Digital diaphanoscopy of maxillary sinus pathologies supported by machine learning. Journal of Biophotonics. 2023;17(1):e202300138. https://doi.org/10.1002/jbio.202300138.Брянская Е. О. Метод и устройство цифровой диафаноскопии для диагностики патологий верхнечелюстных пазух // Медицинская техника. 2023. № 3. С. 5-7.Bryanskaya E.O. Method and device of digital diaphanoscopy for the diagnosis of maxillary sinus pathologies. Meditsinskaya tekhnika = Medical Technology. 2023;(3):5-7. (In Russ.)The Use оf Convolutional Neural Networks 10 Classify the States оf the Maxillary Sinuses in Digital Diaphanoscopy / D. V. Gerasin, Е. О. Bryanskaya, V. V. Dremin, А. V. Dunaev // 2024 Intelligent Technologies and Electronic Devices т Vehicle and Road Transport Complex (TIRVED). Moscow: IEEE, 2024. P. 1-4. https://doi.org/10.1109/TIRVEDG63561.2024.10769806.Gerasin D.V., Bryanskaya E.O., Dremin V.V., Dunaev A.V. The use of convolutional neural networks to classify the states of the maxillary sinuses in digital diaphanoscopy. In: 2024 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED). Moscow: IEEE; 2024. P. 1–4. https://doi.org/10.1109/TIRVED63561.2024. 10769806.Erhan L., Liotta A., Cavallaro L. Comparing Training of Sparse to Classic Neural Networks for Binary Classification in Medical Data. Advances in Mobile Computing and Multimedia Intelligence. Cham: Springer, 2025. P. 15341. https://doi.org/10.1007/978-3-031-78049-3_10.Erhan L., Liotta A., Cavallaro L. Comparing Training of Sparse to Classic Neural Networks for Binary Classification in Medical Data. Advances in Mobile Computing and Multimedia Intelligence. Cham: Springer; 2025. P. 15341. https://doi.org/10.1007/978-3-031-78049-3_10.Artificial intelligence, machine learning, and deep learning in rhinology: a systematic review / A. M. Bulfamante, F. Ferella, A. M. Miller, C. Rosso, C. Pipolo, E. Fuccillo, G. Felisati, A. M. Saibene // European Archives of Oto-Rhino-Laryngology. 2022. Vol. 280, N 2. $. 1-14. https://doi.org/10.1007/S00405-022-07701-3.Bulfamante A.M., Ferella F., Miller A.M., Rosso K., Pipolo K., Fuccillo E., Felisati G., Saibene A.M. Artificial intelligence, machine learning, and deep learning in rhinology: a systematic review. European Archives of Oto-Rhino-Laryngology. 2022;280(2):1-14. https://doi.org/10.1007/S00405-022-07701-3.Nibali A., He Z., Wollersheim D. Pulmonary nodule classification with deep residual networks // Int. J. Comput. Assist. Radiol. and Surg. 2017. Vol. 12, N 10. P. 1799–1808. https://doi.org/10.1007/S11548-017-1605-6/FIGURES/10.Nibali A., He Z., Wollersheim D. Pulmonary nodule classification with deep residual networks. Int. J. Comput. Assist. Radiol. and Surg. 2017;12(10):1799-1808. https://doi.org/10.1007/S11548-017-1605-6/FIGURES/10.Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning? / N. Tajbakhsh, J. Y. Shin, S. R. Gurudu, R. T. Hurst, C. B. Kendall, M. B. Gotway // IEEE Transactions on Medical Imaging. 2016. Vol. 35, N 5. P. 1299–1312. https://doi.org/10.1109/TMI.2016.2535302.Taybakhsh N., Shin J.Y., Gurudu S.R., Hurst R.T., Kendall K.B., Gotway M.B. Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning? IEEE Transactions on Medical Imaging. 2016;35(5):1299-1312. https://doi.org/10.1109/TMI.2016.2535302.Artificial intelligence, machine learning, and deep learning in rhinology: a systematic review / A. M. Bulfamante, F. Ferella, A. M. Miller, C. Rosso, C. Pipolo, E. Fuccillo, G. Felisati, A. M. Saibene // Eur. Arch. Otorhinolaryngol. 2023. Vol. 280. P. 529–542. https://doi.org/10.1007/s00405-022-07701-3.Bulfamante A.M., Ferella F., Miller A.M., Rosso K., Pipolo K., Fuccillo E., Felisati G., Saibene A.M. Artificial intelligence, machine learning, and deep learning in rhinology: a systematic review. Eur. Arch. Otorhinolaryngol. 2023;280:529-542. https://doi.org/10.1007/s00405-022-07701-3.Классификация состояний верхнечелюстных пазух по данным цифровой диафаноскопии с применением машинного обучения / Е. О. Брянская, Д. В. Герасин, А. В. Бакотина, Ю. О. Николаева, А. Ю. Овчинников, В. В. Дрёмин, А. В. Дунаев // Российская ринология. 2026. Т. 34, № 1. С. 19—26. https://doi.org/10.17116/ROSRINO20263401119.Bryanskaya E.O., Gerasin D.V., Bakotina A.V., Nikolaeva Yu.O., Ovchinnikov A.Y., Dremin V.V., Dunaev A.V. Classification of maxillary sinus conditions according to digital diaphanoscopy using machine learning. Rossiiskaya rinologiya = Russian Rhinology. 2026;34(1):19-26. (In Russ.) https://doi.org/10.17116/ROSRINO20263401119.Conigliaro J., Кароог $. Screening. Physical Exam. Health Maintenance // Handbook of Outpatient Medicine / ed. by E. Sydney, E. Weinstein, L. M. Rucker. Cham: Springer, 2022. P. 3—44. https://doi.org/10.1007/978-3-031-15353-2_1.Conigliaro J., Kapoor S. Screening. Physical Exam. Health Maintenance. In: Sidney E., Weinstein E., Rucker L.M. (eds.). Handbook of outpatient Medicine. // Handbook of Outpatient Medicine / ed. by E. Sydney, E. Weinstein, L. M. Rucker. Cham: Springer; 2022. P. 3– 44. https://doi.org/10.1007/978-3-031-15353-2_1.Screening. When 15 it appropriate and how can we get it right? / А. Sagan, D. McDaid, S. Rajan, J. Farrington, M. McKee. Denmark: World Health Organization, 2020. 22 р.Sagan A., McDade D., Rajan S., Farrington J., McKee M. Screening. When is it appropriate and how can we get it right? Denmark: World Health Organization; 2020. 22 p.The application of ultrasound examination in the treatment of Acute Sinusitis. Comparing X-ray to ultrasound of paranasal sinuses / A. Valkov, G. Nikolov, B. Duhlenski, Tsv. Stoyanov, Tsv. Mladenov, M. Yildiz, Kr. Atanasova, St. Mirchev, Kr. Valcheva // International Bulletin of Otorhinolaryngology. 2021. Vol. 17, N 1. P. 40–41.Valkov A., Nikolov G., Duhlensky B., Stoyanov C., Mladenov C., Yildiz M., Atanasova K., Mirchev S., Valcheva K. The application of ultrasound examination in the treatment of Acute Sinusitis. Comparing X-ray to ultrasound of paranasal sinuses. International Bulletin of Otorhinolaryngology. 2021;17(1):40-41.The Role of Diagnostic Nasal Endoscopy and a Computed Tomography Scan (Nose and PNS) in the Assessment of Chronic Rhinosinusitis: A Comparative Evaluation of the Two Techniques / K. Nathan, S. K. Majhi, R. Bhardwaj, A. Gupta, S. Ponnusamy, C. Basu, A. Kaushal // Sinusitis. 2021. Vol. 5, N 1. P. 59–66. https://doi.org/10.3390/SINUSITIS5010007.Nathan K., S. Maji K., Bhardwaj R., Gupta A., Ponnusamy S., Basu S., Kaushal A. The Role of Diagnostic Nasal Endoscopy and a Computed Tomography Scan (Nose and PNS) in the Assessment of Chronic Rhinosinusitis: A Comparative Evaluation of the Two Techniques. Sinusitis. 2021;5(1):59-66. https://doi.org/10.3390/SINUSITIS5010007.Hsu C. C., Sheng C., Ho C. Y. Efficacy of sinus ultrasound in diagnosis of acute and subacute maxillary sinusitis // J. Chinese Med. Assoc. 2018. Vol. 81, N 10. P. 898–904. https://doi.org/10.1016/J.JCMA.2018.03.005.Hsu C.C., Sheng C., Ho C.Y. Efficacy of sinus ultrasound in diagnosis of acute and subacute maxillary sinusitis. J. Chinese Med. Assoc. 2018;81(10):898-904. https://doi.org/10.1016/J.JCMA.2018.03.005.

The authors declare that there are no conflicts of interest present.