сегментация

В статье представлена инновационная архитектура нейронной сети PDAFormer 3+, предназначенная для высокоточной сегментации трехмерных медицинских изображений. Основная особенность метода заключается в использовании модифицированного трансформера с механизмом параллельного двойного внимания (parallel dual attention), что позволяет эффективнее улавливать как локальные, так и глобальные пространственные зависимости в данных. Исследование направлено на решение проблемы вычислительной сложности при обработке объемных медицинских данных (КТ/МРТ) без потери детализации структур. Методология PDAFormer 3+ оптимизирует процесс извлечения признаков, обеспечивая более четкие границы сегментируемых органов или патологий. Результаты демонстрируют превосходство предложенного подхода над существующими архитектурами в задачах 3D-сегментации. Данная разработка имеет критическое значение для автоматизации радиологического анализа и повышения точности постановки диагнозов на основе визуализации.

В статье представлен SegBio — новый инструмент с открытым исходным кодом, предназначенный для автоматизации высокопроизводительного фенотипирования биологических образцов. Основная проблема, которую решает разработка, заключается в трудоемкости ручной аннотации изображений с плотной компоновкой объектов (например, клеток или организмов). Методология SegBio включает интерактивный графический интерфейс, который позволяет создавать полные маски объектов на основе минимальных разметок центральных линий, что радикально снижает затраты времени на разметку. Система объединяет настраиваемый модуль обучения на базе архитектуры U-Net и автономное приложение для инференса с возможностью редактирования в режиме «человек в цикле» (human-in-the-loop). Исследование подтвердило эффективность метода на новом наборе данных изображений C. elegans, где модель достигла показателя паноптической точности (Panoptic Quality) около 0.85. Инструмент позволяет точно количественно оценивать морфологию и флуоресценцию каждого отдельного организма, что делает его масштабируемым решением для лабораторий, работающих с клеточными органеллами и другими плотными биологическими структурами.

Исследование предлагает практический фреймворк для малоэталонного развертывания предобученных трансформеров МРТ в различных задачах нейровизуализации. Авторы используют стратегию предобучения Masked Autoencoder на 31 миллионе 2D срезов МРТ и демонстрируют state-of-the-art результаты с точностью 99.24% и превосходными показателями сегментации.

Исследование представляет метод DeepBranchAI — каскадный рабочий процесс для автоматической сегментации трехмерных разветвленных структур в биологических системах. Методология основана на итеративном цикле: случайные леса генерируют предварительные сегментации на основе минимальных аннотаций, эксперты уточняют результаты, что позволяет постепенно приближаться к эталонным данным. По мере накопления размеченных данных обучение переходит от 2D к 3D архитектурам, систематически расширяя ограниченные наборы данных. Валидация на митохондриальных сетях, полученных методом сканирующей электронной микроскопии с фокусированным ионным пучком (FIB-SEM, разрешение 15 нм), показала коэффициент сходства Дайса 0,942 при пятикратной кросс-валидации. При переносе обучения на сосудистые сети (датасет VESSEL12, КТ-объемы, разница в размере вокселей 30 000 раз) с использованием всего 10% целевых данных достигнута точность 97,05% против ground truth, что подтверждает обобщаемость топологических принципов. Метод сокращает время аннотации с месяцев до недель и трансформирует разреженные начальные метки в надежные обучающие наборы. Полная реализация, обученные веса и код валидации предоставлены в открытом доступе, что делает метод доступным для медицинского сообщества.