Оцінювання ефективності застосування моделі U-Net 3+ у процесі сегментації анатомічних структур рентгенівських знімків зубів
Анотація
Автоматизація процесів аналізу цифрових зображень є важливим завданням сучасності. Особливо вона є актуальною для медичної сфери, де це сприяє підвищенню ефективності дослідження та зменшенню впливу людського чинника. Досліджено особливості застосування архітектури моделі U-Net 3+ для здійснення процедури автоматизованої сегментації цифрових стоматологічних рентгенівських зображень. Встановлено, що використання класичних методів сегментації зображень, таких як порогові методи та методи кластеризації, методи активних контурів і регіонального зростання, мають обмежену ефективність під час обробляння складних зображень, що зумовлено як складністю анатомічних структур, так і наявністю областей із подібним контрастом, що ускладнює точне виділення меж між об'єктами. Оцінено вплив застосування глибокого навчання архітектури типу U-Net та її модифікацій на якість сегментації складних стоматологічних структур. Охарактеризовано ефективність використання моделі U-Net 3+, яка завдяки своїм повношкальним зв'язкам забезпечує інтеграцію інформації з різних рівнів мережі та дає змогу зберігати як глобальний, так і локальний контексти. З'ясовано, що модель U-Net 3+ демонструє покращену здатність до сегментації структур зубів на рентгенівських зображеннях порівняно з класичною архітектурою типу U-Net завдяки її архітектурним удосконаленням, досягаючи значень Dice Coefficient та IoU на високому рівні. Оцінено точність сегментації на цифрових зображеннях дрібних анатомічних структур, таких як корені зубів і зони зі складною морфологією, що часто зумовлюють труднощі під час використання традиційних методів. Досліджено можливість безперервного навчання моделі U-Net 3+ на нових даних без втрати точності на попередніх вибірках, що є важливим для її довготривалого використання в динамічному середовищі. Встановлено, що модель U-Net 3+ має високу стійкість до перенавчання і до змін якості вхідних зображень, в т.ч. шуми та варіації освітлення, та демонструє стабільні результати на валідаційних вибірках, що підтверджує її ефективність для впровадження та використання у реальних умовах. Описано перспективи застосування моделі для автоматизованого аналізу стоматологічних знімків, в т.ч. інтеграцію у системи підтримки прийняття рішень, що дасть змогу значно підвищити швидкість і точність діагностики.
Завантаження
Посилання
Alruily, M., Ezz, M., Elmezain, M., & Ali, M. A. (2023). Breast ultrasound images augmentation and segmentation using GAN with identity block and modified U-Net 3+. Sensors, 23(8599), 1–16. https://doi.org/10.3390/s23208599
Beheshti, N., & Johnsson, L. (2020). Squeeze U-Net: A memory and energy efficient image segmentation network. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 1495–1504. https://doi.org/10.1109/CVPRW50498.2020.00190
Chang, S.-S., Yang, T.-H., Lin, W.-H., Huang, J.-W., & Lin, M.-C. (2024). Optimizing ensemble U-Net architectures for robust coronary vessel segmentation in angiographic images. Scientific Reports, 14(1), 1–11. https://doi.org/10.1038/s41598-024-57198-5
Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848. https://doi.org/10.1109/TPAMI.2017.2699184
Chen, L.-C., Papandreou, G., Schroff, F., & Adam, H. (2017). Rethinking atrous convolution for semantic image segmentation. https://doi.org/10.48550/arXiv.1706.05587
Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder-decoder with atrous separable convolution for semantic image segmentation. In Proceedings of the European Conference on Computer Vision (ECCV), 801–818. https://doi.org/10.1007/978-3-030-01234-2_49
de Boer, P.-T., Kroese, D. P., Mannor, S., & Rubinstein, R. Y. (2005). A tutorial on the cross-entropy method. Annals of Operations Research, 134(1), 19–67. https://doi.org/10.1007/s10479-005-5724-z
Deng, Y., Hou, Y., Yan, J., & Zeng, D. (2022). ELU-Net: An efficient and lightweight U-Net for medical image segmentation. In IEEE Access, Vol. 10, 35932–35941. https://doi.org/10.1109/ACCESS.2022.3163711
Hrytsiuk, Yu. I. (2022). Software quality management system. Ukrainian Journal of Information Technology, 4(1), 01–20. https://doi.org/10.23939/ujit2022.01.001
Huang, H., Lin, L., Tong, R., Hu, H., Zhang, Q., Iwamoto, Y., Han, X., Chen, Y.-W., & Wu, J. (2020). UNet 3+: A full-scale connected UNet for medical image segmentation. In ICASSP 2020-45th International Conference on Acoustics, Speech, and Signal Processing, 1055–1059. https://doi.org/10.1109/ICASSP40776.2020.9053405
Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. https://doi.org/10.48550/arXiv.1411.4038
Oktay, O., Schlemper, J., Folgoc, L. L., Lee, M., Heinrich, M. P., Misawa, K., Mori, K., McDonagh, S., Hammerla, N. Y., Kainz, B., Glocker, B., & Rueckert, D. (2018). Attention U-Net: Learning where to look for the pancreas. https://doi.org/10.48550/arXiv.1804.03999
Peng, Y., Sonka, M., & Chen, D. Z. (2024). U-Net v2: Rethinking the skip connections of U-Net for medical image segmentation, 1–25. https://doi.org/10.48550/arXiv.2311.17791
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, 234–241. Springer. https://doi.org/10.1007/978-3-319-24574-4_28
Tran, D. Q., Boulton, A., Lim, Y. J., & Morita, A. (2022). Improving segmentation accuracy by incorporating domain knowledge into neural networks. Frontiers in Bioinformatics, 2. https://doi.org/10.3389/fbinf.2022.999700
Ulutaş, H. (2024). A deep learning-based U-Net 3+ technique for segmentation of blood cells. Turkish Journal of Science and Technology, 19(2), 485–495. https://doi.org/10.55525/tjst.1404899
Yao, T., St. Clair, N., Miller, G. F., Dorfman, A. L., Fogel, M. A., Ghelani, S., Krishnamurthy, R., Lam, C. Z., Quail, M., Robinson, J. D., Schidlow, D., Slesnick, T. C., Weigand, J., Steeden, J. A., Rathod, R. H., & Muthurangu, V. (2024). A deep learning pipeline for assessing ventricular volumes from a cardiac MRI registry of patients with single ventricle physiology. Radiology: Artificial Intelligence, 6(1). https://doi.org/10.1148/ryai.230132
Yousef, R., Khan, S., Gupta, G., Siddiqui, T., Albahlal, B. M., Alajlan, S. A., & Haq, M. A. (2023). U-Net-based models towards optimal MR brain image segmentation. Diagnostics, 13(9). https://doi.org/10.3390/diagnostics13091624
Zhao, H., Shi, J., Qi, X., Wang, X., & Jia, J. (2017). Pyramid scene parsing network. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2881–2890. https://doi.org/10.1109/CVPR.2017.308
Zhou, Z.-W., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. M. (2018). UNet++: A nested U-Net architecture for medical image segmentation. In Deep learning in medical image analysis and multimodal learning for clinical decision support, 3–11. Springer. https://doi.org/10.1007/978-3-030-00889-5_1
