6 статей
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 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.
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.
