Клас-балансний відбір інтенсивностей у КТ-зображеннях легень

Скорочена інформація про документ
dc.contributor.authorДавидович, Ілля Вікторович
dc.contributor.authorНастенко, Євген Арнольдович
dc.date.accessioned2026-03-09T10:23:07Z
dc.date.available2026-03-09T10:23:07Z
dc.date.issued2025
dc.description.abstractІнформативні ділянки на медичних КТ-зображеннях займають невелику частку, тоді як фон та інші тканини здебільшого домінують та впливають на якість подальшого аналізу й класифікації. Глибокі нейронні мереж здатні самостійно вилучати інформативні ознаки, проте дисбаланс класів, мала вибірка та неоднорідна якість даних ускладнюють навчання та інтерпретацію моделей комп’ютерної діагностики. Рішенням може стати використання класичних методів машинного навчання з ручною процедурою формування ознак, що вимагає певних кроків попередньої обробки даних. Метою роботи є обґрунтування користі етапу попередньої обробки зображень, який концентрує увагу на змістовних частинах зображення, пом’якшує дисбаланс класів і робить дані придатнішими для подальшого текстурного аналізу та побудови моделей. У даній роботі пропонується метод клас-балансного відбору, що узагальнює розподіли яскравості пікселів, шляхом послідовного переходу від рівня окремого зрізу до рівня пацієнта та класу, в результаті чого формується узгоджений профіль поширених значень. Далі відбирається обмежений набір інтервалів яскравості, що покривають заздалегідь визначену частку загальної маси інтенсивностей. Фільтровані зображення зберігаються у вигляді теплової карти частот значень пікселів, зважуючи їх відповідно до типовості в межах набору. Результати показали, що запропонований клас-баланскний фільтр робить інформативні структури компактнішими та виразнішими, а представлення різних класів більш рівномірною. Теплові карти зберігають змістовну частину сигналу при помітному скороченні зайвої інформації, що спрощує побудову інформативних ознак. Ефект зберігається для різних налаштувань відбору та є узгодженим на рівні пацієнта. Клас-збалансований відбір інтервалів яскравості можна розглядати як практичний стартовий крок попередньої обробки для задач аналізу КТ-зображень. Він фокусує обробку на найважливіших ділянках, вирівнює внесок класів і підвищує придатність даних до подальшої інтерпретації та моделювання, особливо в умовах малої вибірки.
dc.description.abstractotherInformative regions in medical CT images occupy only a small portion of the frame, while the background and other tissues largely dominate and affect the quality of subsequent analysis and classification. Deep neural networks are capable of automatically extracting informative features; however, class imbalance, small sample size, and heterogeneous data quality complicate both the training and interpretation of computer-aided diagnostic models. A possible solution is to employ classical machine-learning methods with manual feature-formation procedures, which require specific steps of data preprocessing.The aim of this study is to justify the usefulness of an image-preprocessing stage that focuses attention on meaningful parts of the image, mitigates class imbalance, and makes the data more suitable for further texture analysis and model building. The proposed method of class-balanced selection generalizes pixel-intensity distributions by sequentially aggregating them from the level of individual slices to that of the patient and the class, thusforming a consistent profile of prevalent values. A limited set of intensity intervals is then selected to cover a predefined fraction of the total intensity mass. The filtered images are stored as heatmaps of pixel-value frequencies, weighted according to their typicality within the dataset.The results showed that the proposed class-balanced filter makes informative structures more compact and distinctive while ensuring a more uniform representation of different classes. The heatmaps preserve the meaningful part of the signal while substantially reducing redundant information, which simplifies the extraction of informative features. The effect remains stable across various selection settings and is consistent at the patient level. The class-balanced selection of intensity intervals can thus be regarded as a practical preprocessing step for CT image analysis tasks. It focuses processing on the most relevant regions, balances class contributions, and enhances the interpretability and modeling suitability of the data, especially under small-sample conditions
dc.format.pagerangeС. 15-25
dc.identifier.citationДавидович, І. В. Клас-балансний відбір інтенсивностей у КТ-зображеннях легень / Давидович І. В., Настенко Є. А. // Біомедична інженерія і технологія. – 2025. – № 20. – С. 15-25. – Бібліогр.: 21 назв.
dc.identifier.doihttps://doi.org/10.20535/.2025.20.344360
dc.identifier.orcid0000-0001-9987-8267
dc.identifier.orcid0000-0002-1076-9337
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/79304
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofБіомедична інженерія і технологія, № 20, 2025
dc.subjectКТ-зображення
dc.subjectпопередня обробка зображень
dc.subjectвідбір інтервалів яскравості
dc.subjectдисбаланс класів
dc.subjectтекстурний аналіз
dc.subjectCT images
dc.subjectimage preprocessing
dc.subjectintensity-interval selection
dc.subjectclass imbalance
dc.subjecttexture analysi
dc.subject.udc004.932.2:616-073.75
dc.titleКлас-балансний відбір інтенсивностей у КТ-зображеннях легень
dc.title.alternativeClass-balanced selection of intensity intervals for preprocessing lung CT images
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
15-25.pdf
Розмір:
936.96 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Біомедична інженерія і технологія, Том 5, № 20