innosferaНаука и инновацииScience and Innovations1818-98572412-9372Издательский дом «Белорусская наука»10.29235/1818-9857-2026-04-78-83innosfera-1027Research ArticleДИССЕРТАЦИОННЫЕ ИССЛЕДОВАНИЯDISSERTATION RESEARCHАвтоматическая сегментация гемангиомы печени на МРТ с использованием модифицированной архитектуры U-NetAutomated segmentation of liver hemangiomas on MRI using a modified U-Net architectureКаданА.KadanA.

Александр Кадан, заведующий кафедрой системного программирования и компьютерной безопасности, кандидат технических наук, доцент

ПетровС.PetrovS.

Сергей Петров, доцент кафедры системного программирования и компьютерной безопасности, кандидат медицинских наук, магистр технических наук, доцент

ПрокоповичА.ProkopovichA.

Андрей Прокопович, врач лучевой диагностики кабинета магнитно-резонансной томографии; старший преподаватель кафедры лучевой диагностики и терапии

ЗеньковО.ZenkovO.

Олег Зеньков, заместитель главного врача по организационно-методической работе

 

СтурейкоА.StureikoA.

Артем Стурейко, инженер электросвязи

ГрГУ им. Янки КупалыBelarusГродненская университетская клиника; Гродненский государственный медицинский университетBelarusГродненская университетская клиникаBelarusРУП Белтелеком, Гродненский филиалBelarus202621052026047883Copyright © Издательский дом «Белорусская наука», 20262026Издательский дом «Белорусская наука»Издательский дом «Белорусская наука»https://innosfera.belnauka.by/jour/about/submissions#copyrightNoticehttps://innosfera.belnauka.by/jour/article/view/1027

В работе представлен разработанный авторами метод автоматической сегментации гемангиомы печени на магнитно- резонансных снимках, основанный на модификациях сверточной архитектуры U-Net. Проведено экспериментальное сравнение базовой U-Net, U-Net++ и Attention U-Net. Подтверждено, что модель Attention U-Net с пространственно-канальным механизмом внимания (SCSE) и комбинированной функцией потерь (Dice + Focal Loss) достигает наилучших результатов, демонстрируя средний коэффициент Дайса (DSC) 84,65% на приватном наборе данных. Этот показатель сопоставим с результатами современных аналогов, особенно при работе с данными, характеризующимися значительным дисбалансом классов. Для апробации метода в условиях, приближенных к клиническим, разработан прототип программного обеспечения с графическим интерфейсом и возможностью интеграции в PACS-системы через протокол DICOMweb.

This paper presents a method for the automatic segmentation of liver hemangioma in magnetic resonance imaging (MRI) developed by the authors, based on modifications of the U-Net convolutional architecture. An experimental comparison was conducted between the baseline U-Net, U-Net++, and Attention U-Net. It was confirmed that the Attention U-Net model, utilizing a Spatial and Channel Squeeze-and-Excitation (scSE) attention mechanism and a combined loss function (Dice + Focal Loss), achieves the best performance, demonstrating a mean Dice Similarity Coefficient (DSC) of 84.65% on a private dataset. This result is comparable to state-of-the-art benchmarks, particularly when dealing with data characterized by significant class imbalance. To validate the method in conditions approximating clinical practice, a software prototype was developed featuring a graphical user interface and the capability for integration into PACS systems via the DICOMweb protocol.

сегментация медицинских изображенийгемангиома печенимагнитно-резонансная томографиясверточные нейронные сетиглубокое обучениеМРТU-NetAttention U-NetDICOMPACSmedical image segmentationliver hemangiomamagnetic resonance imagingconvolutional neural networksdeep learningMRIU-NetAttention U-NetDICOMPACSReferencesKacała A. et al, Evaluation of Predictive Factors for Transarterial Bleomycin–Lipiodol Embolization Success in Treating Giant Hepatic Hemangiomas // Cancers. 2025. №17(1). P. 42. Https://doi.org/10.3390/cancers17010042.Kacała A. et al, Evaluation of Predictive Factors for Transarterial Bleomycin–Lipiodol Embolization Success in Treating Giant Hepatic Hemangiomas // Cancers. 2025. №17(1). P. 42. Https://doi.org/10.3390/cancers17010042.A survey on deep learning in medical image analysis / G. Litjens [et al.] // Medical Image Analysis. 2017. V. 42. P. 60–88.A survey on deep learning in medical image analysis / G. Litjens [et al.] // Medical Image Analysis. 2017. V. 42. P. 60–88.Albiin N. MRI of Focal Liver Lesions // Curr Med Imaging Rev. 2012. May, 8(2). P. 107–116. Doi: 10.2174/157340512800672216. PMID: 23049491; PMCID: PMC3462338.Albiin N. MRI of Focal Liver Lesions // Curr Med Imaging Rev. 2012. May, 8(2). P. 107–116. Doi: 10.2174/157340512800672216. PMID: 23049491; PMCID: PMC3462338.Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015. P. 234–241.Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015. P. 234–241.Attention U-Net: Learning Where to Look for the Pancreas / O. Oktay [et al.] // Https://doi.org/10.48550/arXiv.1804.03999.Attention U-Net: Learning Where to Look for the Pancreas / O. Oktay [et al.] // Https://doi.org/10.48550/arXiv.1804.03999.Deep Residual Learning for Image Recognition / K. He [et al.] // CVPR. 2016. P. 770–778. Doi: 10.1109/ CVPR.2016.90.Deep Residual Learning for Image Recognition / K. He [et al.] // CVPR. 2016. P. 770–778. Doi: 10.1109/ CVPR.2016.90.Coarse-to-Fine Liver Tumor Segmentation using 3D U-Net / H. Wu [et al.] // Medical Image Analysis. 2023. V. 85. P. 102734.Coarse-to-Fine Liver Tumor Segmentation using 3D U-Net / H. Wu [et al.] // Medical Image Analysis. 2023. V. 85. P. 102734.Multi-modal learning with an anisotropic 3D U-Net for the segmentation of liver tumors in DCE-MRI / A. Hänsch [et al.] // Computerized Medical Imaging and Graphics. 2022. V. 95. P. 102015.Multi-modal learning with an anisotropic 3D U-Net for the segmentation of liver tumors in DCE-MRI / A. Hänsch [et al.] // Computerized Medical Imaging and Graphics. 2022. V. 95. P. 102015.Improving automatic liver tumor segmentation in late-phase MRI using multi-model training and 3D convolutional neural networks / Hänsch [et al.] // Scientific Reports. 2022. V.12. P. 12262. Https://doi.org/10.1038/s41598-022-16388-9.Improving automatic liver tumor segmentation in late-phase MRI using multi-model training and 3D convolutional neural networks / Hänsch [et al.] // Scientific Reports. 2022. V.12. P. 12262. Https://doi.org/10.1038/s41598-022-16388-9.Explainable and Robust Deep Learning for Liver Segmentation Through U-Net Network / M. C. Brunese // Diagnostics (Basel). 2025. Mar 31. V. 15(7). P. 878. Doi: 10.3390/diagnostics15070878. PMID: 40218228; PMCID: PMC11989174.Explainable and Robust Deep Learning for Liver Segmentation Through U-Net Network / M. C. Brunese // Diagnostics (Basel). 2025. Mar 31. V. 15(7). P. 878. Doi: 10.3390/diagnostics15070878. PMID: 40218228; PMCID: PMC11989174.

The authors declare that there are no conflicts of interest present.