|Generate QR code
Open Access
Subscription Access
Neuroimaging of intracranial neoplasms: volume segmentation of 3D images
https://doi.org/10.29235/1818-9857-2023-12-73-79
Abstract
The progressive development of medical bioinformatics, namely computer vision and deep learning technologies, will allow accurate screening of neurooncological diseases and evaluate the effectiveness of the treatment methods performed in dynamics at all levels of healthcare institutions. At present, the Matlab platform is the most functional environment for image processing with the implemented possibility of using semantic segmentation. An algorithm for creating masks of the area of interest of specialists and a listing for training a neural network in the diagnostic screening of neurooncological patients are presented.
About the Authors
Kh. Dzhanibekov
БГУИР
Belarus
Belarus
Khamzat Dzhanibekov
A. Churakov
БГУИР
Belarus
Belarus
Andrey Churakov
A. Ongarbayeva
Евразийский национальный университет имени Л.Н. Гумилева
Kazakhstan
Kazakhstan
Ainagul Ongarbayeva
D. Naumenko
РНПЦ неврологии и нейрохирургии
Belarus
Belarus
Dmitry Naumenko
I. Shulgina
Республиканская клиническая больница медицинской реабилитации
Belarus
Belarus
Irina Shulgina
P. Lopatov
5-я ГКБ г. Минска
Belarus
Belarus
Pavel Lopatov
References
1. Создание семантической сегментации с помощью Volume Segmenter // https://www.mathworks.com/help/images/create-semantic-segmentation-using-volumesegmenter.html.
2. Приложение для постобработки изображений Canon Compressed Speeder // https://cmtrade.ru/products/prilozhenie-dlya-mrt-canon-compressed-speeder.
3. Приложение для постобработки изображений Canon Compressed Speeder // https://www.mathworks.com/videos/3d-image-segmentation-of-brain-tumorsusing-deep-learning.
4. Роннебергер О., Фишер П., Брокс Т. U-Net: сверточные сети для сегментации биомедицинских изображений // MICCAI – 2015: мат-лы Междунар. конф. по вычислениям медицинских изображений и компьютерным вмешательствам.– Мюнхен, 2015. С. 234–241.
5. Sudre C.H., Li. W., Vercauteren T., Ourselin S., Cardoso M.J. Обобщенное перекрытие игральных костей как функция потери глубокого обучения для сильно несбалансированных сегментов // Глубокое обучение анализу медицинских изображений и мультимодальное обучение для поддержки принятия клинических решений.– Квебек, 2017. С. 240–248.
6. Нейровизуализация // https://postnauka.ru/video/155696.
7. Республиканский научно-практический центр онкологии и медицинской радиологии им. Н. Н. Александрова // https://omr.by/news/stati/opukholigolovnogo-mozga.
8. Система и метод использования структурированного отчета DICOM для оптимизации рабочего процесса // https://patents.google.com/patent/US6950985B2/en?q=DICOM&oq=DICOM.
9. Система обработки данных медицинских изображений // https://patents.google.com/patent/US20070237371A1/en?oq=US+2007%2f0237371+A1 https://patents.google.com/patent/US6950985B2/en?q=DICOM&oq=DICOM.
10. Хирургия головного мозга // https://www.neurology.ru/neyrohirurgicheskoeotdelenie/hirurgiya-golovnogo-mozga.
Review
For citations:
Dzhanibekov Kh., Churakov A., Ongarbayeva A., Naumenko D., Shulgina I., Lopatov P. Neuroimaging of intracranial neoplasms: volume segmentation of 3D images. Science and Innovations. 2023;1(12):73-79. (In Russ.) https://doi.org/10.29235/1818-9857-2023-12-73-79
Views: 135
Email this article 