Библиографическое описание:МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ СЕГМЕНТАЦИИ ОПУХОЛИ ГОЛОВНОГО МОЗГА : научное издание / А. А. Шумачков. - Текст : непосредственный // Вестник Воронежского государственного технического университета. - 2025. - Т.21, №2. - С. 12-19. - ISSN 1729-6501. - ISSN 2782-4624, DOI 10.36622/1729-6501.2025.21.2.002.
Аннотация:Представлен обзор современных методов глубокого обучения, используемых для сегментации опухолей головного мозга на МРТ-изображениях. Рассматриваются такие архитектуры нейронных сетей, как Mask-RCNN, многомасштабные сверточные нейронные сети (CNN), гибридные модели и архитектуры U-Net. Основное внимание уделено преимуществам этих методов, включая высокую точность сегментации, автоматическое извлечение сложных признаков, снижение необходимости ручного вмешательства и возможность работы с разными типами МРТ-изображений. Обсуждаются недостатки, такие как зависимость от объема аннотированных данных, сложности обработки изображений с низким контрастом, высокие требования к вычислительным ресурсам и необходимость точной калибровки моделей. Проведен сравнительный анализ методов глубокого обучения с традиционными подходами, который показал их превосходство в точности, надежности и воспроизводимости результатов. Рассмотрены практические примеры использования данных методов в клинической практике для диагностики, планирования лечения и последующего мониторинга пациентов. Предлагаются перспективные направления дальнейших исследований, включая адаптацию моделей для работы с ограниченными наборами данных, улучшение энергоэффективности алгоритмов, развитие самонастраиваемых архитектур и интеграцию с многофункциональными системами поддержки принятия решений. Полученные результаты подтверждают важность этих методов для повышения качества диагностики, персонализированного лечения и прогноза заболеваний
This paper presents an overview of modern deep learning methods used for brain tumor segmentation in MRI images. We considered neural network architectures such as mask-RCNN, multi-scale convolutional neural networks (CNN), hybrid models, and u-net architectures. The main focus is on the advantages of these methods, including high segmentation accuracy, automatic extraction of complex features, and reduced need for manual intervention. We also discussed drawbacks such as dependence on the volume of annotated data, difficulties in processing low-contrast images, and high computational requirements. We conducted a comparative analysis of deep learning methods with traditional approaches, which revealed their superiority in accuracy and reliability. We also considered practical examples of using these methods in clinical practice for diagnosis and treatment planning of brain tumors. The article suggests directions for further research, including optimization of models for working with smaller datasets and improvement of energy efficiency, which will allow for wider implementation of deep learning methods in medical practice. The results obtained confirm the importance of these methods for improving the quality of diagnosis and treatment
