ФОРМИРОВАНИЕ БАЗЫ ДАННЫХ ДЛЯ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ СЕГМЕНТАЦИИ ТКАНЕЙ СЕРДЦА И ЛЕГКИХ Текст научной статьи по специальности «Компьютерные и информационные науки»

этим, как утверждает Беккер и др., перед преподавателями ставится задача в том, чтобы информировать студентов об их профессиональных обязанностях при повторном использовании кода [1].

Также является проблемой то, что код, генерируемый моделями на базе искусственного интеллекта, может быть не всегда безопасным и требует тщательного сканирования для выявления уязвимостей [1].

Учащиеся, постоянно пользующиеся инструментами генерации кода, могут банально перестать читать условия задачи в связи с автоматически предлагаемыми решениями, и, следовательно, не будут думать о вычислительных шагах, необходимых для решения проблемы. Заключение

Таким образом, использование инструментов на базе искусственного интеллекта может оказывать как положительное влияние на процесс обучения, так и отрицательное. Пока что еще точно неизвестно, как лучше адаптировать существующие методы генерации кода в учебный процесс, не создав проблем для студентов и преподавателей. Будущий специалист, помимо навыков продумывания алгоритмов, должен прекрасно понимать инструмент, с которым он работает, а в случае автоматической генерации кода акцент будет больше смещен в сторону чтения и оценки кода, а не его написания. Это с одной стороны упрощает программисту рабочий процесс, а с другой не дает развиваться, как специалисту, в большей степени.

Список использованной литературы:

1. Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation / Becker B. A. [et al.] // SIGCSE 2023: Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1. 2023, pp. 500-506.

2. Code Classification as a Learning and Assessment Exercise for Novice Programmers / Thompson E. [et al.] // In 19th Annual Conference of the National Advisory Committee on Computing Qualifications (NACCQ 2006). National Advisory Committee on Computing Qualifications, Wellington, New Zealand, 2006, pp. 291-298.

3. Vaithilingam P., Zhang T., Glassman E. L. Expectation vs. Experience: Evaluating the Usability of Code Generation Tools Powered by Large Language Models. // In CHI Conference on Human Factors in Computing Systems Extended Abstracts. ACM, NY, USA, 2022, pp. 1-7.

4. Wermelinger M. Using GitHub Copilot to Solve Simple Programming Problems // SIGCSE 2023: Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1. 2023, pp. 172-178.

© Цепляев А.Ф., 2023

УДК 004.032.26

Яранцева Е.А.

магистрант 1 курса ПГТУ, г. Йошкар-Ола, РФ Научный руководитель: Иванов К.О.

Кандидат технических наук, доцент, ПГТУ

г. Йошкар-Ола, РФ

ФОРМИРОВАНИЕ БАЗЫ ДАННЫХ ДЛЯ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ СЕГМЕНТАЦИИ ТКАНЕЙ СЕРДЦА И ЛЕГКИХ

Аннотация

Показана актуальность задачи сегментации тканей сердца и легких. Рассмотрена архитектура и

взаимодействие основных элементов программного обеспечения для сегментации тканей сердца и легких. Предложен подход к формированию базы данных для решения задачи сегментации тканей сердца и легких с помощью глубокого обучения.

Ключевые слова

Сегментация, компьютерная томография, глубокое обучение, ткани сердца и легких, грудная клетка

Yarantseva E. A.

1st-year master's student of VSTU, Yoshkar-Ola, Russia Scientific supervisor: Ivanov K. O.,

Candidate of Technical Sciences, docent, VSTU

Yoshkar-Ola, Russia

FORMATION OF A TRAINING DATABASE FOR SEGMENTATION OF HEART AND LUNG TISSUES

Annotation

The relevance of the task of segmentation of heart and lung tissues is shown. The architecture and interaction of the main elements of the software for segmentation of heart and lung tissues are considered. An approach to the formation of a database for solving the problem of segmentation of heart and lung tissues using deep learning is proposed.

Keywords

Segmentation, computed tomography, deep learning, heart and lung tissue, chest

Сегментация, или процесс выделения объектов, - это сложный этап в обработке медицинских данных биологических тканей, делящий изображение на составляющие объекты или части [1]. Сегментация тканей сердца и легких на компьютерной томографии (КТ) является важным и актуальным направлением в области медицинского образования и практики. Эта процедура позволяет выделить различные структуры и области внутри сердца и легких, что имеет ряд практических применений, среди которых можно отметить следующие:

1. Диагностика и планирование лечения: сегментация тканей сердца и легких на КТ дает врачам детальное представление анатомических структур и позволяет точно определить размеры, форму и положение сердца и легких. Это помогает в диагностике различных патологий, таких как опухоли, воспаления, аномалии развития и другие заболевания. Кроме того, сегментация тканей может использоваться для планирования хирургических вмешательств или радиотерапии [2].

2. Мониторинг и лечение заболеваний: повторная сегментация тканей сердца и легких на последующих КТ-снимках позволяет врачам отслеживать прогресс заболевания и эффективность лечения. Изменения в размерах, форме и плотности тканей могут указывать на улучшение или ухудшение состояния пациента, что помогает врачам принимать решения о дальнейшем лечении [2].

3. Сегментация тканей сердца и легких на КТ также имеет значение для научных исследований и разработки новых методов диагностики и лечения. Точная сегментация позволяет анализировать различные характеристики тканей и структур органов, изучать их функции, а также разрабатывать и улучшать алгоритмы автоматической сегментации [2].

4. Оценка эффективности лечения: после лечения заболеваний сердца или легких сегментация на КТ может быть использована для оценки эффективности проведенных процедур и лечения. Сравнение снимков до и после может помочь врачам оценить изменения размеров аномалий, влияние лечения на ткани и структуры органов [2].

Следует отметить, что работы в области сегментации тканей сердца и легких в настоящее время носят исследовательский характер, а на практике сегментации этих тканей выполняется практикующим врачом в полуавтоматическом режиме, т. е. врач вручную выделяет область интереса на каждом томографическом срезе. Это является достаточно трудоемким процессом. В последние годы значительный успех в области сегментации объектов на изображениях был достигнут при использовании сверточных нейронных сетей, так нейронная сеть архитектуры U-Net в настоящее время показывает наилучшее качество сегментации [3]. Однако для решения задачи сегментации тканей на КТ-изображениях методами глубокого обучения требуются размеченные базы данных. В открытом доступе в сети интернет содержатся базы данных КТ-исследований грудной области [4, 5]. Однако они содержат ограниченный набор размеченных областей: легких, сердца и трахеи. А для медицинской диагностики представляет интерес автоматическая сегментация тканей правого предсердия, правого желудочка, аорты, левого предсердия, легочных артерий, бронхов, плевральной полости. Поэтому в данной работе эти ткани были выбраны для формирования обучающей базы данных.

В данной работе на основе КТ изображений, взятых из [6] и сохраненных в DICOM формате, показывающих срезы, которые отображают всю грудную клетку пациента, формируется обучающая база данных для сегментации тканей сердца и легких. Для формирования этой базы использовалось 40 КТ изображений аксиальной проекции грудной клетки (рис. 1), которые впоследствии были размечены на определенные области (ткани) сердца и легких, а именно: 1 - правое предсердие, 2 - правый желудочек, 3 - аорта, 4 - левое предсердие, 5 - легочные артерии, 6 - бронхи, 7 - плевральная полость.

Рисунок 1 - КТ изображение аксиальной проекции грудной клетки

Используя КТ изображения аксиальной проекции грудной клетки для сегментации тканей сердца и легких, был создан набор бинарных масок, где белым цветом отмечена область сегментируемой ткани (рис. 2).

DICOM изображение аксиальной проекции грудной клетки

д е ж з

Рисунок 2 - Бинарные маски тканей сердца и легких: а - правое предсердие, б - правый желудочек, в - аорта, г - левый желудочек, д - левое предсердие, е - легочные артерии, ж - бронхи,

з - плевральная полость

Каждая бинарная маска сохранена в каталог, имя которого соответствует имени сегментируемой ткани, а имя файла маски выбирается таким же, как исходное DICOM изображение грудной полости.

Заключение

Таким образом, сформированная в работе размеченная база данных DICOM изображений области грудной клетки, позволяет исследовать возможность применения сверхточных нейронных сетей для сегментации тканей правого предсердия, правого желудочка, аорты, левого предсердия, легочной артерии, бронхов, плевральной полости на DICOM изображениях. Кроме того, сформированная база данных может использоваться для получения статистических характеристик тканей сердца и легких на DICOM изображениях, что может использоваться для разработки новых методов сегментации, базирующихся не только на глубоком обучении. Список использованной литературы:

1. Дороничева А.В., Савин С.З. Метод сегментации медицинских изображений // Фундаментальные исследования. 2015. № 5-2. С. 294-298.

2. Никитин О.Р., Пасечник А.С. Оконтуривание и сегментация в задачах автоматизированной диагностики патологий // Методы и устройства передачи и обработки информации. 2009. № 11. С. 300-309.

3. Лукашик Д.В. Анализ современных методов сегментации изображений // Экономика и качество систем

связи. 2022. № 2. С. 57-65.

4. Kaggle [Электронный ресурс]. - Режим доступа: URL: https://www.kaggle.com/datasets/sandorkonya/ct-lung-heart-trachea-segmentation (дата обращения: 11.05.2023).

5. Kaggle [Электронный ресурс]. - Режим доступа: URL: https://www.kaggle.com/datasets/polomarco/chest-ct-segmentation (дата обращения: 11.05.2023).

6. Kaggle [Электронный ресурс]. - Режим доступа: URL: https://www.kaggle.com/datasets/kmader/siim-medical-images (дата обращения: 11.05.2023).

© Яранцева Е.А., 2023