Вплив методів попередньої обробки МРТ зображень на результати сегментації мозку

Скорочена інформація про документ
dc.contributor.authorАлхімова, Світлана Миколаївна
dc.contributor.authorЛісніченко, Анна Петрівна
dc.date.accessioned2026-03-20T10:16:42Z
dc.date.available2026-03-20T10:16:42Z
dc.date.issued2025
dc.description.abstractСегментація головного мозку на T2*-зважених перфузійних зображеннях динамічно-сприйнятливої контрастної магнітно-резонансної томографії є першим та важливим етапом для кількісного аналізу гемодинаміки, особливо при діагностиці та моніторингу пухлин. Однак, точність автоматичної сегментації часто знижується через артефакти інтенсивності, варіабельність параметрів сканування між різними дослідженнями і томографами та низьку контрастність на межі патологічних уражень. Метою даного дослідження було підвищення точності автоматичної сегментації мозку на перфузійних зображеннях засобами глибокого навчання через застосування методів попередньої обробки, спрямованих на корекцію інтенсивностей пікселів зображень. Для експериментів використовувався набір даних МРТ-зображень пацієнтів з мультиформною гліобластомою з публічного архіву TCGA. Було досліджено вісім методів попередньої обробки: базове масштабування Мін-Макс, корекція неоднорідності поля N4ITK, зіставлення гістограм, гамма-корекція, адаптивне вирівнювання гістограми з обмеженням контрасту, стандартизація за білою речовиною, нормалізація за методом Nyul та масштабування за перцентилями. Сегментація виконувалася за допомогою архітектури, що поєднує U-Net та ResNet. Якість оцінювалася за шістьма поширеними показниками якості сегментації, включаючи коефіцієнт Дайса та індекс Жаккара. Результати продемонстрували, що всі застосовані методи попередньої обробки покращили якість сегментації. Найкращі значення коефіцієнта Дайса (0.9792), індексу Жаккара (0.9595) та загальної точності (0.9899) були досягнуті при використанні масштабування за перцентилями. Метод зіставлення гістограм забезпечив найвищу точність позитивних передбачень (0.9811) та специфічність (0.9947). Отримані дані свідчать, що попередня обробка за рахунок корекції інтенсивностей пікселів істотно підвищує ефективність сегментації мозку на перфузійних МРТ-зображеннях.
dc.description.abstractotherBrain segmentation іn T2*-weighted perfusion images from dynamic susceptibility contrast magnetic resonance imaging is a crucial first step for quantitative hemodynamic analysis, particularly in the diagnosis and monitoring of brain tumors. However, the accuracy of automatic segmentation is often compromised by intensity artifacts, inter-scanner variability, and low contrast inherent to perfusion imaging. This study aimed to improve the accuracy of automatic brain segmentation on such images using deep learning by applying preprocessing techniques focused on correcting image pixel intensities. The experiments were conducted using a dataset of MRI scans from patients with glioblastoma multiforme sourced from the public TCGA archive. Eight preprocessing techniques were evaluated: basic Min-Max scaling, N4ITK bias field correction, histogram matching, gamma correction, contrastlimited adaptive histogram equalization (CLAHE), white matter standardization (WhiteStripe), Nyul intensity normalization, and percentile-based scaling. Segmentation was performed using a hybrid architecture combining U-Net and ResNet. Performance was assessed using six standard metrics, including the Dice coefficient and Jaccard index. The results showed that all preprocessing methods improved segmentation performance. The best Dice coefficient (0.9792), Jaccard index (0.9595), and overall accuracy (0.9899) were achieved with percentile scaling. Histogram matching yielded the highest precision (0.9811) and specificity (0.9947). These findings indicate that preprocessing through pixel intensity correction significantly enhances brain segmentation effectiveness in perfusion MRI images.
dc.format.pagerangeС. 966-979
dc.identifier.citationАлхімова, С. М. Вплив методів попередньої обробки МРТ зображень на результати сегментації мозку / Алхімова С. М., Лісніченко А. П. // Наука і техніка сьогодні. - 2025. - № 6 (47). - С. 966–979.
dc.identifier.doihttps://doi.org/10.52058/2786-6025-2025-6(47)-966-979
dc.identifier.orcid0000-0002-9749-7388
dc.identifier.orcid0009-0003-3004-7344
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/79662
dc.language.isouk
dc.publisherВидавнича група «Наукові перспективи»
dc.publisher.placeКиїв
dc.relation.ispartofНаука і техніка сьогодні, № 6 (47), 2025
dc.subjectкорекція інтенсивності
dc.subjectпопередня обробка медичних зображень
dc.subjectсегментація мозку
dc.subjectглибоке навчання
dc.subjectперфузійна магнітнорезонансна томографія
dc.subjectintensity correction
dc.subjectmedical image preprocessing
dc.subjectbrain segmentation
dc.subjectdeep learning
dc.subjectperfusion magnetic resonance imaging
dc.subject.udc004.932:616-073.756.8
dc.titleВплив методів попередньої обробки МРТ зображень на результати сегментації мозку
dc.title.alternativeImpact of MR image preprocessing methods on brain segmentation results
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Pages_from_6(47).pdf
Розмір:
871.33 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

Статті (БМК)