9 статей
Представлена новая архитектура нейросети CA2PNet, предназначенная для высокоточной сегментации медицинских изображений. Модель использует модули пространственного внимания и прогрессивные расширенные свертки, демонстрируя превосходные результаты на датасетах Kvasir-SEG и BUSI.
Данный систематический обзор посвящен комплексному анализу применения технологий искусственного интеллекта и машинного обучения в задачах нейроонкологии. Авторы исследуют современные подходы к сегментации, классификации и детекции опухолей головного мозга на основе данных мультимодальной МРТ. В работе систематизированы различные архитектуры нейронных сетей, включая сверточные нейронные сети (CNN) и трансформеры, которые демонстрируют высокую точность в автоматизации диагностики. Исследование охватывает методологии обработки медицинских изображений, позволяющие снизить нагрузку на радиологов и минимизировать человеческий фактор при определении границ новообразований. Особое внимание уделяется анализу эффективности алгоритмов в задачах дифференциальной диагностики различных типов глиом. Результаты обзора подчеркивают критическую значимость внедрения ИИ-решений для повышения точности планирования хирургических вмешательств и лучевой терапии. Работа представляет высокую ценность для специалистов в области радиологии и разработчиков медицинского программного обеспечения.
В исследовании представлен CiliAI — веб-ориентированный рабочий процесс на базе глубокого обучения, предназначенный для автоматизации анализа первичных ресничек. Система решает проблему трудоемкости ручного анализа 3D-изображений конфокальной микроскопии, обеспечивая автоматическое обнаружение и сегментацию ключевых субструктур: базального тела, переходной зоны и аксонемы. В ходе тестирования на клетках линии NIH-3T3 автоматизированные измерения длины ресничек показали высокую точность, практически идентичную ручному методу (средняя разница составила всего -0,214 мкм при p = 0,213). Алгоритм успешно воспроизвел биологические эффекты, зафиксировав снижение интенсивности сигнала белка Cep290 в клетках с дефицитом Rpgrip1l, что подтверждает его валидность для изучения молекулярных механизмов. Использование CiliAI позволяет сократить время анализа с нескольких дней ручной работы до считанных минут. Данный инструмент представляет значительную ценность для клеточной биологии и биомедицинских исследований, ускоряя изучение механизмов клеточной пролиферации и дифференцировки.
В статье представлен обзор исследований (2020–2025 гг.), посвященных применению глубокого обучения и методов объяснимого ИИ (XAI) для автоматизации диагностики камней в почках. Рассматриваются такие техники, как SHAP и Grad-CAM, которые помогают повысить доверие врачей к диагностическим системам, несмотря на существующие проблемы с разнообразием данных.
Исследование представляет метод автоматической сегментации гистопатологических изображений с использованием архитектуры DeepLabV3+ и смартфонов в качестве микроскопов. Разработанная модель показала высокую точность (Dice: 93.1%) в выявлении 21 класса признаков рака шейки матки, превзойдя базовую архитектуру U-Net.
Представлен MAPSeg — полностью самообучаемый метод сегментации полипов, не требующий размеченных данных и обучаемый на изображениях здоровой слизистой. Благодаря стратегии синтетической аугментации SIMPO и архитектуре с расширенной памятью, метод значительно превосходит существующие неконтролируемые подходы по метрикам IoU и DICE.
В исследовании представлена инновационная двухэтапная архитектура для автоматической сегментации восьми сегментов печени по системе Куино на основе КТ и МРТ-изображений. Авторы решают критическую проблему: традиционные алгоритмы, обученные на здоровых органах, теряют точность при работе с гепатоцеллюлярной карциномой (ГЦК) из-за патологических деформаций структуры. Предложенный метод объединяет легкую нейросеть 3D UNet для изоляции объема печени и 3D графовую сверточную сеть (3D GCN) для анализа сложных анатомических связей. Для обеспечения топологической согласованности применяется стандартизированный пайплайн предобработки, нормализующий объем печени до 50 кадров по оси Z. В ходе слепого тестирования на новых клинических наборах данных модель показала высокую точность с коэффициентом Dice (mean Dice score) на уровне 0,828. Разработка имеет высокую практическую значимость, так как позволяет врачам быстро локализовать подозрительные узлы и опухоли в конкретных сегментах, а авторы предоставляют открытый доступ к коду и предобученным весам.
Представлена новая гибридная модель Quantum-SpinalNet, сочетающая Swin ResUNet3+ для сегментации опухолей и квантовую нейронную сеть (DQNN) для классификации. Исследование показало высокую эффективность на наборах данных CBIS-DDSM и DDSM с точностью 93,8%, что делает метод перспективным для клинической диагностики.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология сегментации печени и опухолей на основе компьютерной томографии (КТ). Авторы разработали систему, которая использует интерактивную коррекцию с учетом неопределенности (uncertainty-aware interactive rectification), позволяющую алгоритму подстраиваться под предпочтения врача. Основная идея заключается в том, что модель не просто выполняет сегментацию, а анализирует зоны своей неуверенности, запрашивая уточнение у специалиста в наиболее критических точках. Это позволяет значительно повысить точность выделения границ опухолей, которые часто имеют нечеткие контуры. Использование механизмов выравнивания предпочтений (user-preference alignment) минимизирует количество необходимых правок со стороны радиолога, оптимизируя рабочий процесс. Применение данного подхода в клинической практике может существенно ускорить диагностику и снизить риск ошибок при планировании хирургических вмешательств на печени.
