Автоматическая сегментация гемангиомы печени на МРТ с использованием модифицированной архитектуры U-Net

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.

1. 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.

2. A survey on deep learning in medical image analysis / G. Litjens [et al.] // Medical Image Analysis. 2017. V. 42. P. 60–88.

3. 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.

4. 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.

5. Attention U-Net: Learning Where to Look for the Pancreas / O. Oktay [et al.] // Https://doi.org/10.48550/arXiv.1804.03999.

6. Deep Residual Learning for Image Recognition / K. He [et al.] // CVPR. 2016. P. 770–778. Doi: 10.1109/ CVPR.2016.90.

7. Coarse-to-Fine Liver Tumor Segmentation using 3D U-Net / H. Wu [et al.] // Medical Image Analysis. 2023. V. 85. P. 102734.

8. 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.

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.

10. 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.