Гибридные методы диагностирования аневризмы аорты на основе компьютерного зрения и больших языковых моделей тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ларин Евгений Сергеевич

• Ларин Евгений Сергеевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Ларин Евгений Сергеевич

Введение

Глава 1. Методы построения сечений аорты и вычисления их

характеристик по снимкам компьютерной томографии

1.1 Вступление

1.2 Существующие подходы обработки снимков КТ аорты

1.2.1 Построение срезов аорты

1.2.2 Построение направляющих

1.2.3 Поиск точек интереса

1.2.4 Расчет параметров срезов аорты

1.3 Методы и материалы

1.3.1 Область исследования

1.3.2 Описание общего подхода к решению задачи

1.3.3 Методы построения срезов ЗБ-модели аорты

1.3.4 Методы вычисления характеристик аорты по срезам

1.4 Эксперимент

1.4.1 Постановка эксперимента

1.4.2 Оборудование

1.4.3 Результаты эксперимента

1.5 Выводы главы

Глава 2. Поиск точек интереса: алгоритм правильного

выставления срезов для врача

2.1 Вступление

2.2 Существующие подходы

2.2.1 Р01 без использования анатомических ориентиров

2.2.2 Р01 на основе анатомических ориентиров

2.3 Методы и материалы

2.3.1 Область исследования

2.3.2 Описание общего подхода к решению задачи

2.3.3 Общая предобработка

2.3.4 Р01 без использования анатомических ориентиров (равноудалённые точки)

Стр.

2.3.5 POI на основе анатомических ориентиров

2.4 Эксперимент

2.4.1 Постановка эксперимента

2.4.2 Экспериментальная оценка методов построения POI

2.4.3 Оборудование

2.4.4 Результаты эксперимента

2.5 Выводы главы

Глава 3. Интерпретация результатов работы методов

компьютерного зрения с помощью подходов

обработки речи

3.1 Вступление

3.2 Существующие подходы

3.2.1 Общий вид LLM

3.2.2 LoRA

3.2.3 RAG

3.3 Методы и материалы

3.3.1 Область исследования

3.3.2 Описание общего подхода к решению задачи

3.3.3 RAG

3.4 Эксперимент

3.4.1 Постановка эксперимента

3.4.2 Оборудование

3.4.3 Результаты эксперимента

3.5 Выводы главы

Заключение

Список литературы

Список рисунков

Список таблиц

Приложение А. Пример результатов работы системы

генерации заключений

Введение

Современные методы и программные инструменты обработки и интеллектуального анализа медицинских изображений способствуют прогрессу в сфере медицинских технологий (MedTech), стимулируя как совершенствование существующих методик диагностики заболеваний, так и разработку инновационных решений на базе систем искусственного интеллекта и принятия решений. В контексте задач MedTech подразумевается разработка методологических комплексов, обеспечивающих автоматизацию ключевых диагностических этапов при исследовании заболеваний внутренних органов по медицинским снимкам. Процесс автоматизации охватывает этапы от получения изображений с помощью компьютерной (КТ) и магнитно-резонансной томографии (МРТ) до их последующего интеллектуального анализа и автоматизации клинической интерпретации результатов на основе контекстов конкретной предметной области, такой как кардиохирургия.

Особый интерес за последние годы представляет внедрение технологий искусственного интеллекта в кардиохирургию. В частности, интеграция методов компьютерного зрения (CV) на основе машинного и глубокого обучения в интеллектуальную обработку снимков КТ и МРТ элементов сердечно-сосудистой системы создаёт предпосылки для оперативного и точного решения комплексных клинических задач кардиохирургии. Данные технологии способствуют ускорению и повышению точности процесса диагностики патологий различных элементов сердечно-сосудистой системы, оценке показаний к медицинскому вмешательству и определению его оптимального объёма.

Наряду с технологиями компьютерного зрения особого внимания заслуживают современные языковые модели (LLM), демонстрирующие способность не только к детекции патологий сердечно-сосудистой системы (например, патологии аорты), но и к прогнозированию необходимости оперативного и консервативного лечения. При этом временной фактор играет критическую роль в кардиохирургической диагностике: согласно клиническим данным, показатель летальности при ургентных оперативных вмешательствах в три раза превышает аналогичный параметр для плановых операций.

Введение диссертации (часть автореферата) на тему «Гибридные методы диагностирования аневризмы аорты на основе компьютерного зрения и больших языковых моделей»

Актуальность темы исследования.

Интеллектуальная обработка медицинских изображений, в частности данных компьютерной (КТ) и магнитно-резонансной томографии (МРТ), представляет значительный научный и практический интерес. Современные технологии искусственного интеллекта обладают высоким потенциалом внедрения в область кардиохирургии и расширяют возможности принятия решений врачами при диагностике заболеваний сердечно-сосудистой системы, включая патологии аорты. Применение современных методов компьютерного зрения и обработки медицинских текстов на основе LLM позволяет эффективно анализировать, интерпретировать и классифицировать медицинские изображения, что особенно важно для эффективного выявления такого заболевания, как аневризма грудной и брюшной аорты (АГА и АБА).

Интеллектуальные методы обработки изображений дают возможность автоматически измерять такие ключевые параметры аорты, как диаметры, площадь и длина границы срезов, по которым можно оценить форму и локализацию аневризмы, что критически важно для определения дальнейшей тактики лечения. Современные подходы на основе машинного обучения способны осуществлять детальный анализ медицинских снимков, выявляя даже незначительные структурные изменения сосудов.

Применение автоматизированных систем искусственного интеллекта в медицинской визуализации способствует минимизации диагностических ошибок и ускоряет процесс принятия клинических решений. В частности, для аневризмы аорты своевременная диагностика крайне важна, так как показатель летальности при их разрыве достигает очень высоких значений. Однако интерпретация КТ- и МРТ-изображений требует высокой квалификации, а количество врачей-экспертов, способных точно оценивать такие данные, ограничено.

Технологии искусственного интеллекта, в частности, такие как большие языковые модели (LLM) и методы компьютерного зрения являются перспективным инструментом для автоматизации анализа медицинских изображений и построения заключения по ним. Однако их эффективное применение требует адаптации к специфике медицинских данных, включая особенности формата DICOM, вариабельность анатомических структур, необходимость работы с 3D-мол елям и и учёт медицинской терминологии и утверждённых специализированных клинических рекомендаций при написании заключения.

Сложность автоматической диагностики аневризм аорты и написания заключения рекомендательного характера заключается в необходимости решения множества взаимосвязанных задач: нормализации данных, сегментации сосудов, построения ЗБ-моделей, измерения морфологических параметров и выделения релевантных референсных значений из специализированных клинических рекомендаций и сравнения с ними. Несмотря на значительный прогресс в области компьютерного зрения, количество исследований, посвященных автоматическому анализу аневризм аорты, остается ограниченным.

Таким образом, разработка методов автоматизированной интеллектуальной обработки медицинских изображений для диагностики аневризм аорты имеет высокую клиническую значимость. Она позволяет не только повысить точность и скорость диагностики, но и расширить доступ к качественной медицинской помощи, особенно в регионах с дефицитом узких специалистов.

Целью настоящего диссертационного исследования является создание и апробация новых гибридных методологических подходов и программно-алгоритмических решений для интеллектуальной диагностики аневризм аорты по КТ-снимкам и последующей автоматизации принятия решения на основе современных технологий компьютерного зрения и обработки естественного языка.

Для достижения поставленной цели необходимо было решить следующие задачи:

1. Провести системный анализ современных подходов к оценке морфо-метрических параметров аорты, методов построения её поперечных сечений, алгоритмов выявления зон клинического интереса и автоматизированной генерации медицинских заключений, с последующей идентификацией ключевых проблемных аспектов и разработкой возможных решений.

2. Разработать алгоритмические методы автоматического построения анатомически корректных срезов аорты, обеспечивающих диагностическую значимость для клинической практики.

3. Разработать методологический комплекс интеллектуального анализа полученных срезов изображений аорты, основанных на подходах компьютерного зрения, для точного измерения ключевых морфомет-рических показателей.

4. Разработать комплекс современных методов автоматизированного выбора зон клинического интереса на КТ-снимках аорты с использованием медицинских критериев значимости.

5. Разработать комплекс современных методов генерации текстов медицинских заключений рекомендательного характера с учётом медицинской терминологии и контекста утверждённых специализированных клинических рекомендаций на основе технологий обработки текста и больших языковых моделей (ЬЬМ).

6. Разработать специализированный комплекс программ для интеллектуальной диагностики аневризм аорты по КТ-снимкам и автоматизации принятия решения на основе гибридных подходов, сочетающих технологии компьютерного зрения и обработки естественного языка.

Научная новизна:

1. На основе системного анализа современных исследований в области компьютерного зрения в медицине и клинических практик выявлены ключевые методологические проблемы автоматизированного построения сечений аорты и проведения точных морфометрических измерений.

2. Разработаны методы построения семантически и анатомически корректных сечений аорты с автоматической генерацией визуализаций для клинического анализа, обеспечивающие диагностическую значимость результатов.

3. Разработан методологический комплекс измерения параметров аорты с интегрированными механизмами верификации достоверности получаемых значений.

4. Разработан комплекс современных методов автоматизированного выбора зон клинического интереса на КТ-снимках аорты для проведения измерений, основанный на морфологических особенностях сосудов.

5. Разработаны методы генерации структурированных медицинских заключений, интегрирующие данные инструментальных измерений с актуальными клиническими рекомендациями на основе ЬЬМ.

6. Разработан специализированный комплекс программ для интеллектуальной диагностики аневризм аорты по КТ-снимкам и автоматизации принятия решения.

Практическая значимость

Настоящее исследование позволило разработать комплекс гибридных методов и программ для интеллектуальной диагностики аневризм аорты по КТ-снимкам и автоматизации принятия решения, основанных на гибридных подходах, сочетающих технологии компьютерного зрения и обработки естественного языка. Разработанные гибридные подходы обеспечивают автоматизацию процесса морфометрических измерений параметров аорты с верификацией достоверности результатов, а также генерацию структурированных медицинских заключений на основе полученных измерений и актуальных клинических рекомендаций.

Применение предложенных решений способствует сокращению времени принятия диагностических решений за счёт уменьшения рутинных операций обработки изображений. Разработанные методы могут быть использованы как в научных исследованиях (кардиохирургия, сосудистая хирургия), так и в клинической практике, что позволяет повысить эффективность лечения за счёт сокращения времязатрат на принятие решения и снижения субъективности интерпретации диагностических данных. Практическая значимость работы подтверждена участием в следующих рецензируемых международных конкурсах и чемпионатах:

1. Лауреаты акселерацией программы Санкт-Петербургского государственного университета «START-UP СПбГУ - 2023», Санкт-Петербург, 2023;

2. Перспективный проект ИИ в номинации «Высокий социальный эффект» Международной университетской премии в области искусственного интеллекта и больших данных «Гравитация 2024», Москва, 2024;

3. Финалисты чемпионата мира по ИИ в секции Healthcare AI, AIM Congress 2025, Абу-Даби, ОАЭ, 2025;

4. Финалисты конкурса Агентства стратегических инициатив - «Технологии ИИ в здоровьесбережении» по внедрения в практику наиболее эффективных решений для улучшения качества медицинского обслуживания и повышения уровня здоровья населения, Российская федерация, 2025;

5. Лауреаты в номинации «Высокий социальный эффект» Международной университетской премии в области искусственного интеллекта и больших данных «Гравитация 2025», Москва, 2025;

Апробация работы. Основные результаты работы были докладывались на следующих конкурсах и конференциях:

1. XXV Ежегодная Сессия НМИЦ ССХ им. А.Н. Бакулева - Москва, 15-17 мая 2022;

2. LIV международная научная конференции аспирантов и студентов «ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ» - Control Processes and Stability (CPS'23), Российская федерация, Санкт-Петербург, 03.04.2023-07.04.2023;

3. Всероссийский конкурс идей «Лига будущего» - Москва, 27 июня 2022;

4. Сессия Комитета по молодежи Администрации Санкт-Петербурга -Санкт-Петербург, 9 сентября 2022 — презентация проекта;

5. Международный экономических форму «AIM Congress 2024» - Абу-Даби, ОАЭ, 7-9 мая 2024 - презентация проекта на конкурсе стартапов;

6. AIM Congress 2025, ОАЭ, Абу-Даби, 06.04.2025-09.04.2025;

7. Severance Hospital - Сеул, Южная Корея, 8-9 сентября — презентация проекта;

8. The 33th Annual Meeting of the ASCVTS 2025 (Asian Society for Cardiovascular and Thoracic Surgery) - Сингапур, 14-17 мая 2025 — доклад, презентация проекта;

9. XXVIII Ежегодная Сессия НМИЦ ССХ им. А.Н. Бакулева - 18 мая 2025 — доклад, презентация проекта;

Публикации. Основные результаты по теме диссертации изложены в 4 печатных изданиях, из которых 2 и периодических научных журналах, индексируемых Scopus [1; 2], 2 — в периодических научных журналах, индексируемых РИНЦ |3:4|. Получено 2 свидетельства о государственной регистрации программ для ЭВМ [5; 6].

Объем и структура работы. Диссертация состоит из введения, 3 глав, заключения и 1 приложения. Полный объём диссертации составляет 122 страницы, включая 14 рисунков и 23 таблицы. Список литературы содержит 102 наименования.

Во введении сформулированы задачи, показана актуальность и новизна исследования, описана теоретическая и практическая значимость, обозначена цель и задачи исследования.

В первой главе представлены результаты анализа современных методов построения поперечных сечений аорты (сравнительный анализ и выявление

ключевых проблем), разработанный методологический комплекс построения морфологически корректных срезов ЗБ-моделн аорты с соответствующим математическим и алгоритмическим обеспечением, а также приведены результаты апробации реализованного решения на примере задачи обработки КТ-сним-ков аорты для диагностики патологий. Экспериментальное исследование по оценке точности разработанных алгоритмов на клинически верифицированных данных продемонстрировало высокую точность измерений: отклонение от экспертной оценки составило 6% для длины границы сечения, 7% для большего диаметра, 14% для меньшего диаметра и 16% для площади сечения.

Во второй главе представлен разработанный гибридный метод идентификации точек интереса, включающий формализованное математическое описание и соответствующее алгоритмическое обеспечение. Представлены результаты апробации предложенного подхода на практической задаче автоматизированного выявления точек интереса при анализе КТ-изображений аорты в диагностических целях. Экспериментальная оценка точности алгоритмов, проведённая на клинически верифицированных данных, продемонстрировала высокую эффективность метода: в большинстве исследуемых зон среднее отклонение от экспертных измерений не превысило 5 мм.

В третьей главе представлен алгоритмический комплекс определения диагноза аневризмы аорты и генерации медицинских заключений с использованием технологий больших языковых моделей (ЬЬМ), а также приведены результаты апробации реализованного решения на клинически верифицированных данных. Экспериментальное исследование продемонстрировало высокие показатели качества работы: среднее значение меры ^ между результатами представленного подхода и экспертной оценкой составило 0.91.

В заключении подведены итоги, сформулированы основные результаты диссертационной работы.

Основные научные результаты.

1. Проведён анализ современных подходов к методам построения поперечных сечений аорты и формализованы их основные проблемы, см. работы [1;3;4] (автором диссертации формализованы проблемы и проведен сравнительный анализ подходов).

2. Разработан методологический комплекс построения морфологически корректных срезов аорты и измерения ключевых морфометрических показателей, см. работы [2] (автором диссертации разработано матема-

тическое и алгоритмическое обеспечение системы построения срезов и измерения их ключевых показателей и проведены численные эксперименты) .

3. Разработаны методы и алгоритмы автоматизированного определения диагностически значимых участков для морфометрического анализа параметров аорты, см. главу 2 диссертации и работу [5] (автором диссертации разработаны методы и алгоритмы автоматизированного определения диагностически значимых участков аорты, а также программный комплекс на их основе, применяемый в указанной реализации).

4. Разработан методологический комплекс генерации медицинских заключений с помощью технологий больших языковых моделей, см. главу 3 диссертации и работу [5] (автором диссертации разработан методологический комплекс, объединяющий методы определения диагностически значимых участков для морфометрического анализа параметров аорты, построения морфологически корректных срезов аорты и измерения ключевых морфометрических показателей и генерации медицинских заключений с помощью технологий больших языковых моделей, применяемый в указанной реализации).

5. Разработан методологический комплекс на основе гибридных подходов, сочетающих методы компьютерного зрения и обработки естественного языка для построения морфологически корректных срезов аорты, системы автоматизированного определения диагностически значимых участков для морфометрического анализа параметров и генерации медицинских заключений с помощью технологий больших языковых моделей, см. главу 3 диссертации и работу [5] (автором диссертации разработан методологический комплекс, применяемый в указанной реализации) .

6. Разработан программный комплекс на основе гибридных подходов, см. работы [5; 6] (автором диссертации разработан программный комплекс, применяемый в указанных реализациях).

Основные положения, выносимые на защиту:

1. Методологические подходы обработки КТ-снимков аорты для построения анатомически корректных сечений и вычисления их морфомет-

рических характеристик, включая формализацию критериев оценки семантической корректности.

2. Комплекс современных методов автоматизированного определения зон клинического интереса с целью оптимизации процесса построения диагностически значимых сечений для медицинских специалистов.

3. Комплекс современных гибридных методов на основе технологий компьютерного зрения и больших языковых моделей для генерации текстов медицинских заключений рекомендательного характера с учётом медицинской терминологии и контекста утверждённых специализированных клинических рекомендаций.

4. Программный комплекс на основе гибридных подходов для интеллектуальной диагностики аневризм аорты по КТ-снимкам и последующей автоматизации принятия решения в форме медицинского заключения, носящего рекомендательный характер.

Глава 1. Методы построения сечений аорты и вычисления их характеристик по снимкам компьютерной томографии

1.1 Вступление.

Методы визуализации медицинских данных, в частности полученные с помощью компьютерной и магнитно-резонансной томографии (КТ и МРТ), широко распространены для диагностики заболеваний сердечно-сосудистой системы, в том числе и различных патологий аорты.

Попытки автоматизации исследований КТ предпринимались одновременно с появлением методики КТ. Развитие вычислительных машин, с одной стороны, и алгоритмов машинного обучения, с другой, породило небывалый подъем автоматизации в различных областях медицины, такие как анализ легких [7-9], онкологии [9-11], сердечно-сосудистой системы [12-14], геронтологии [15] и др.

Настоящая глава посвящена применению методов компьютерного зрения в области диагностики разных заболеваний сердечно-сосудистой системы, в частности аневризмы грудной аорты (АГА) и брюшной аорты (АБА), которые являются наиболее часто встречаемыми заболеваниями аорты [16]. Аневризма аорты — это расширение диаметра магистральной артерии вследствие структурных изменений ее стенки, которые могут быть как врожденными, так и приобретенными. Распространенность АБА в мире у мужчин старше 60 лет составляет около 4-8%, а у женщин примерно 0,5-1,5% [17]. АГА встречается реже, чем АБА, и составляет у жителей западных стран около 5-10 случаев в год на 100 000 населения [18], т. е. 0,005-0,01 %. Общая частота разрывов таких аневризм — 1.6 на 100 000 человек в год [19].

Применение КТ и МРТ для изображения аорты критически важно для раннего обнаружения аневризмы и оценки ее характеристик, таких как размер, форма и распространение. Это необходимо для определения дальнейших действий по лечению пациентов. Благодаря высокому разрешению и возможности получения многоплоскостных изображений, эти методы предоставляют врачам всю необходимую информацию о состоянии аорты и позволяют точно определить характер и степень заболевания.

Хотя визуализация имеет неоспоримые преимущества для раннего обнаружения аневризмы и оценки ее характеристик, таких как размер, форма и распространение, объяснение данных оказывается довольно сложным, и лишь ограниченное количество экспертов могут профессионально оценить наличие или отсутствие патологий во внутренних органах на основе представленных изображений. Из вышесказанного, а также из-за ограниченности времени на принятие решений необходима помощь специалисту в анализе медицинских изображений. В основе автоматических систем лежит область компьютерных наук, называемая компьютерное зрение и ее раздел: анализ медицинских изображений. Применение систем помощи специалисту улучшает эффективность диагностики и лечения сердечно-сосудистых заболеваний, снижая риск возникновения серьезных осложнений и улучшая прогноз пациентов.

Стоит отметить, что, несмотря на важность проблемы обнаружения ДГА и АБА по КТ-снимкам, количество исследований в сфере использования методов искусственного интеллекта для решения этой задачи крайне мало (как и при обследовании сердечно-сосудистой системы в целом).

Задача автоматического диагностирования АГА и АБА по КТ-снимкам включает как инженерные, так и исследовательские подзадачи, такие как получение информации из Б1СОМ файла, нормализация данных, сегментация, поиск точек интереса и построение в них срезов, измерение показателей, сравнение с клиническими рекомендациями. В данной главе рассматриваются методы построения цифровой ЗБ-модели аорты по КТ-снимкам, ее сечений и способы количественных измерений параметров сечения аорты, необходимых для диагностирования заболеваний. При этом предлагаемые подходы не ограничиваются только диагностикой аневризм и имеют высокий потенциал применения для анализа всей кровеносной системы. Здесь не будут затрагивать вопросы сегментации и сбора данных для построения моделей машинного обучения. Вопросы сегментации изложены в работах [1; 3], сбор данных для построения моделей машинного обучения — в [20], поиск точек интереса изложен в главе 2.

1.2 Существующие подходы обработки снимков КТ аорты.

Рассмотрим подходы к построению ЗБ-моделп, ее сечений и способы измерения количественных параметров сечения аорты, используемые в других исследованиях.

1.2.1 Построение срезов аорты.

В настоящее время существует несколько основных методов построения модели и срезов аорты [13; 21-24], которые основываются на:

1) эксперт,ном выборе. Этот подход применяется в большинстве медицинских статей, например в [21]. Заключается он в экспертном (ручном) выборе точки среза и вращении исследования КТ. Этот подход обеспечивает очень высокую точность при условии высокой квалификации специалиста. К минусам такого подхода относятся высокая временная сложность и сильная зависимость качества результата от квалификации специалиста;

2) построении срезов в аксиальной плоскости пациента. Он упоминается в работе [22]. Плюсом этого подхода является вычислительная легкость, т.к. в формате Б1СОМ информация о трехмерном исследовании представляется именно как набор плоских снимков в аксиальной плоскости в заданных позициях; минусом — некорректность замеров параметров среза аорты по таким срезам, ввиду того, что перешеек аорты перпендикулярен оси аппликат. Вдобавок, даже брюшная аорта, направляющая которой параллельна оси аппликат, может иметь сложную форму и соответственно участки, находящиеся под значительным углом к оси. Это приводит к искажениям изображения аорты и, следовательно, к некорректным результатам замеров;

3) построении релевантных сечений непосредственно по исходному исследованию КТ. Помимо этих сечений рассчитывается направляющая (раШше), по которой потом строится ЗБ-модель аорты посредством размещения сечений ортогонально направляющей и заполнения про-

пусков между ними. Данный способ применяется в одном из режимов работы системы с открытым исходным кодом SimVascular [23]. Основной сложностью при его использовании является задача автоматического построения искомых срезов по исходному КТ-снимку;

4) детекции аорты на плоских снимках КТ. Этот способ состоит в детекции аорты на плоских снимках КТ, ортогональных оси аппликат, затем в восстановлении по ним ЗБ-модели и построении ее сечений. Он применялся в работе [24]. В настоящем исследовании также используется данный подход [2-4]. К основным преимуществам такого подхода можно отнести достаточно высокое качество восстановления ЗБ-моде-ли, с одной стороны, и не очень высокую вычислительную сложность в части сегментации — с другой;

5) 3D-сегментации. Данный способ заключается в построении модели на шаге сегментации и уже затем в построении ее сечений. Он реализован в SimVascular и в работе [13]. Этот способ построения срезов и модели имеет крупное преимущество перед всеми остальными, заключающееся в том, что ЗБ-сегментация обычно дает более точные результаты, чем детекция аорты на плоских снимках и затем восстановление ЗБ-модели, однако сегментация ЗБ-тензора значительно более дорогая в вычислительном плане операция, чем сегментация набора

матриц.

Стоит отметить, что в описанных выше четвертой и пятой группах методов построения сечений имеют схожие особенности в части построения направляющей в точке интереса, по которой определяется вектор нормали, задающий вместе с точкой интереса секущую плоскость.

1.2.2 Построение направляющих

Существует несколько способов построения направляющих. Во-первых, можно строить связанный граф и в нем искать путь от корня аорты до чревного ствола. Так, например, был решен вопрос построения направляющей в работе [24]. Графовый способ дает одни из лучших результатов и имеет хорошое теоретическое обоснование, вдобавок его можно улучшить учитывая значения

индекса Хаунсфилда и строя ребра графа только через точки, находящие в кровяном потоке. Проверку можно проводить по индексу Хаунсфилда точки из исходного КТ-снимка. К основным его недостаткам можно отнести сложность в построении графа: если ребра строить между точками направляющей, расстояние между которыми не превышает определенного значения, то при пропуске среза в разметке, полученной от модуля сегментации, граф перестанет быть связным и метод перестанет работать. Решение этой проблемы приведено в главе 2.

Во-вторых, можно проводить ЗБ-скелетоннзацпю по построенной модели, выбросы удалять посредством медианного усреднения и выбирать некоторое ограниченное количество точек вдоль полученной направляющей. Данным способом решен вопрос построения направляющей в работе [13]. Проблема у этого подхода та же, что и у пятого способа построении модели: ЗБ-скелетонпзацня довольно затратная операция.

1.2.3 Поиск точек интереса.

Существует несколько способов выбора точек интереса, т. е. точек, в которых нужно строить сечения аорты и потом замерять параметры аорты для обнаружения заболеваний.

Можно брать эти точки с равномерным распределением по всей аорте. Схожий подход использовали авторы работы [13], который основывается на выделении двух зон интереса (восходящую и нисходящую аорты). Граница между ними определялась следующим образом: производился итеративный обход от краниального отдела (со стороны головы пациента) в каудальном направлении до обнаружения изгиба, т. е. такой секции, которая содержит два соединенных компонента. Разделительной считается линия, которая соединяет середину центров масс двух компонентов с обратным наклоном. Достоинствами равномерного распределения точек интереса по всей длине направляющей являются гарантия нахождения зоны утолщения аорты и независимость от индивидуальных особенностей пациента, недостатком — необходимость довольно большого количества точек интереса, а значит, и вычислительная сложность задачи получения замеров.

Список литературы диссертационного исследования кандидат наук Ларин Евгений Сергеевич, 2026 год

Список литературы

1. Г.И. Ким И.С. Блеканов Ф.В. Ежов Л. А. Коваленко Е.С. Ларин Е.С. Разумилов К.В. Пугин М.С. Дадашов В. А. Пягай Д.В. Шматов. Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана (обзор литературы) // Сибирский журнал клинической и экспериментальной медицины. — 2024. — Vol. 39, по. 2. - Pp. 36-45.

2. Методы построения сечений аорты и вычисления их характеристик по снимкам КТ / Е.С. Ларин, Ф.В. Ежов, Л.А. Коваленко et al. // Вестник Санкт-Петербургского университет,а. Прикладная математика. Информатика. Процессы управления. — 2025. — Vol. 21, по. 2. — Pp. 257-278.

3. Ежов Ф. В. Ларин Е. С. Блеканов И. С. Ким Г. И. Нейросетевые методы сегментации аорты сердца при автоматической диагностике снимков КТ. // Процессы управления и устойчивость Учредители: Смирнов Николай Васильевич. — 2023. — Vol. 10, no. 1. — Pp. 263-267.

4. Коваленко Л. А. Ларин Е. С. Блеканов И. С. Ким Г. И. Методы построения ЗБ-модели аорты сердца и её сечения для автоматизации процесса КТ-диагностики // Процессы управления и устойчивость Учредители: Смирнов Николай Васильевич. — 2023. — Vol. 10, no. 1. - Pp. 298-303.

5. Блеканов И. С., Коваленко Л. А., Ларин Е. С. и др. Программа для автоматической интеллектуальной диагностики патологий аорты по снимкам КТ на основе глубокого обучения (AortaDiagnosisDL).

6. Блеканов И. С., Коваленко Л. А., Ларин Е. С. и др. Программа для интеллектуальной генерации экспертной разметки сердечно-сосудистой системы на данных КТ-снимков (CoreAILabelSys).

7. A methodical exploration of imaging modalities from dataset to detection through machine learning paradigms in prominent lung disease diagnosis: a

review / Sunil Kumar, Harish Kumar, Gyanendra Kumar et al. // BMC Medical Imaging. - 2024. - Vol. 24, no. 1. - P. 30.

8. Lung disease recognition methods using audio-based analysis with machine learning / Ahmad H Sabry, Omar I Dallal Bashi, NH Nik Ali, Yasir Mali-mood Al Kubaisi // Heliyon. — 2024.

9. Gayap Hadrien T, Akhloufi Moulay A. Deep machine learning for medical diagnosis, application to lung cancer detection: a review // BioMedlnformatics. _ 2024. - Vol. 4, no. 1. - Pp. 236-284.

10. Unveiling Early Detection And Prevention Of Cancer: Machine Learning And Deep Learning Approaches / Sahadat Khandakar, Mohd Abdullah Al Mamun, Md Monirul Islam et al. // Educational Administration: Theory and Practice. _ 2024. - Vol. 30, no. 5. - Pp. 14614-14628.

11. Rai Hari Mohan. Cancer detection and segmentation using machine learning and deep learning techniques: A review // Multimedia Tools and Applications. _ 2024. - Vol. 83, no. 9. - Pp. 27001-27035.

12. Ahsan Md Manjurul, Siddique Zahed. Machine learning-based heart disease diagnosis: A systematic literature review // Artificial Intelligence in Medicine. _ 2022. - Vol. 128. - P. 102289.

13. Quantification of the Thoracic Aorta and Detection of Aneurysm at CT: Development and Validation of a Fully Automatic Methodology / Fabiola Bez-erra de Carvalho Macruz, Charles Lu, Julia Strout et al. // Radiology: Artificial Intelligence. - 2022. - Vol. 4, no. 2. - P. e210076.

14. An Extensive Review of Machine Learning and Deep Learning Techniques on Heart Disease Classification and Prediction / Pooja Rani, Rajneesh Kumar, Anurag Jain et al. // Archives of Computational Methods in Engineering. — 2024. - Pp. 1-19.

15. Шмидт Ян Александрович, Котина Елена Дмитриевна. Применение подходов радиомики в обработке данных компьютерной томографии при определении саркопении / / Вестник Санкт-Петербургского университет,а. Прикладная математика. Информатика. Процессы управления. — 2024. — Vol. 20, по. 3. — Pp. 376-390.

16. The aortic pathologies: how far we understand it and its implications on thoracic aortic surgery / Amer Harky, Pawel Aleksander Sokal, Khubbaib Hasan, Andreas Papaleontiou // Brazilian journal of cardiovascular surgery. — 2021. _ v0i. 36. _ pp. 535 549.

17. Abdominal aortic aneurysm: roles of inflammatory cells / Zhen Yuan, Yi Lu, Jia Wei et al. // Frontiers in immunology. — 2021. — Vol. 11. — P. 609161.

18. Systematic review of the growth rates and influencing factors in thoracic aortic aneurysms / D Oladokun, BO Patterson, Jonathan Sobocinski et al. // European Journal of Vascular and Endovascular Surgery. — 2016. — Vol. 51, no. 5.

- Pp. 674-681.

19. A systematic review and meta-analysis of the incidence of acute aortic dissections in population-based studies / Ryan Gouveia e Melo, Mariana Mourao, Daniel Caldeira et al. // Journal of vascular surgery. — 2022. — Vol. 75, no. 2.

- Pp. 709-720.

20. Ежов Ф. В. Коваленко Л. А. Разумилов Е. С. & Блеканов И. С. Инструменты краудсорсннга для анализа и обработки медицинских изображений в виде снимков КТ. // Процессы управления и устойчивость Учредители: Смирнов Николай Васильевич. — 2023. — Vol. 10, no. 1. — Pp. 291-297.

21. Diameters of the thoracic aorta throughout life as measured with helical computed tomography / Alfred Hager, Harald Kaemmerer, Ulrike Rapp-Bernhardt et al. // The Journal of Thoracic and Cardiovascular Surgery. — 2002. — Vol. 123, no. 6. — Pp. 1060-1066. — URL: https://www.sciencedirect.com/science/ article/pii/S0022522302000065.

22. Variation in Maximum Diameter Measurements of Descending Thoracic Aortic Aneurysms Using Unformatted Planes versus Images Corrected to Aortic Centerline / N. Rudarakanchana, C.D. Bicknell, N.J. Cheshire et al. // European Journal of Vascular and Endovascular Surgery. — 2014. — Vol. 47, no. 1. — Pp. 19-26. — URL: https://www.sciencedirect.com/science/article/ pii/S107858841300590X.

23. SimVascular: an open source pipeline for cardiovascular simulation / Adam Up-degrove, Nathan M Wilson, Jameson Merkow et al. // Anno,Is of biomedical engineering. — 2017. — Vol. 45. — Pp. 525-541.

24. Fully automated pipeline for measurement of the thoracic aorta using joint segmentation and localization neural network / Sudeep Katakol, Timothy J Baker, Zhangxing Bian et al. // Journal of Medical Imaging. — 2023. — Vol. 10, no. 5. - Pp. 051810-051810.

25. How to measure the aorta using MRI: a practical guide / Max J van Hout, Arthur J Scholte, Joe F Juffermans et al. // Journal of Magnetic Resonance Imaging. - 2020. - Vol. 52, no. 4. - P. 971.

26. Lorensen William E., Cline Harvey E. Marching cubes: a high resolution 3D surface construction algorithm // Seminal Graphics: Pioneering Efforts That Shaped the Field, Volume 1. — New York, NY, USA: Association for Computing Machinery, 1998. - P. 347-353. - URL: https://doi.org/10.1145/280811. 281026.

27. Efficient implementation of marching cubes' cases with topological guarantees / Thomas Lewiner, Helio Lopes, Antonio Wilson Vieira, Geovan Tavares // Journal of graphics tools. — 2003. — Vol. 8, no. 2. — Pp. 1-15.

28. Zhang Tongjie Y, Suen Ching Y. A fast parallel algorithm for thinning digital patterns // Communications of the ACM. — 1984. — Vol. 27, no. 3. — Pp. 236-239.

29. Open surgical repair of a giant abdominal aortic aneurysm / Gorkem Yigit, Ferit Qetinkaya, Bahadir Aytekin et al. // Kardiochirurgia i Torakochirurgia Polska/Polish Journal of Thoracic and Cardiovascular Surgery. — 2019. — Vol. 16, no. 3. - Pp. 144-146. - URL: http://dx.doi.org/10.5114/kitp.2019. 88607.

30. Dysphagia Aortica: A Rare Presentation of Infrarenal Abdominal Aortic Aneurysm in an Elderly Patient / Mahmoud Abughazal, Abdelsalam Dini, Mustafa Aljanabi et al. // Cureus. — 2024. — Vol. 16, no. 10.

31. Клинические рекомендации. Рекомендации по диагностике и лечению заболеваний аорты (2017) / Сергей Александрович Абугов,

Татьяна Борисовна Аверина, БА Аксельрот et al. // Кардиология и сердечно-сосудистая хирургия. — 2018. — Vol. 11, no. 1. — Pp. 7-67.

32. Automatic characterization of thoracic aortic aneurysms from CT images / Juan Antonio Martinez-Mera, Pablo G Tahoces, José M Carreira et al. // Computers in Biology and Medicine. — 2015. — Vol. 57. — Pp. 74-83. — URL: https://www.sciencedirect.com/science/article/pii/S0010482514003382.

33. Deep learning improves the temporal reproducibility of aortic measurement / Alex Bratt, Daniel J Blezek, William J Ryan et al. // Journal of Digital Imaging. - 2021. - Vol. 34, no. 5. - Pp. 1183-1189.

34. Pre-surgical and post-surgical aortic aneurysm maximum diameter measurement: full automation by artificial intelligence / Chloé Adam, Dominique Fabre, Justine Mougin et al. // European Journal of Vascular and Endovascular Surgery. - 2021. - Vol. 62, no. 6. - Pp. 869-877.

35. Оценка профиля диаметра аорты по КТ грудной клетки / Кирилл Киселев, Артём Борзов, Максим Писов et al. // Информационные технологии и системы 2019 (ИТиС 2019). — 2019. — Pp. 402-411.

36. Spatially Distinct Genetic Determinants of Aortic Dimensions Influence Risks of Aneurysm and Stenosis / Mahan Nekoui, James P. Pirruccello, Paolo Di Achille et al. // Journal of the American College of Cardiology. — 2022. — Vol. 80, no. 5. — Pp. 486-497. — URL: https://www.sciencedirect.com/science/ article/pii/S0735109722051634.

37. EACTS/STS Guidelines for diagnosing and treating acute and chronic syndromes of the aortic organ / Martin Czerny, Martin Grabenwôger, Tim Berger et al. // European Journal of Cardio-Thoracic Surgery. — 2024. — 02. — Vol. 65, no. 2. - P. ezad426. - URL: https://doi.org/10.1093/ejcts/ezad426.

38. Automated 3D segmentation and diameter measurement of the thoracic aorta on non-contrast enhanced CT / Zahra Sedghi Gamechi, Lidia R Bons, Marco Giordano et al. // European radiology. — 2019. — Vol. 29. — Pp. 4613-4623.

39. Assessment of fully automatic segmentation of pulmonary artery and aorta on noncontrast CT with optimal surface graph cuts / Zahra Sedghi Gamechi,

Andres M Arias-Lorza, Zaigham Saghir et al. // Medical Physics. — 2021. — Vol. 48, no. 12. - Pp. 7837-7849.

40. Automatic detection of anatomical landmarks of the aorta in CTA images / Pablo G Tahoces, Daniel Santana-Cedrés, Luis Alvarez et al. // Medical & Biological Engineering & Computing. — 2020. — Vol. 58. — Pp. 903-919.

41. Automatic aortic root landmark detection in CTA images for preprocedural planning of transcatheter aortic valve implantation / Mustafa Elattar, Esther Wiegerinck, Floortje van Kesteren et al. // The international journal of cardiovascular imaging. — 2016. — Vol. 32. — Pp. 501-511.

42. Segment aorta and localize landmarks simultaneously on noncontrast CT using a multitask learning framework for patients without severe vascular disease / Jinrong Yang, Xiang Li, Jie-Zhi Cheng et al. // Computers in Biology and Medicine. - 2023. - Vol. 160. - P. 107002. - URL: https://www.sciencedirect.com/science/article/pii/S0010482523004675.

43. Impact of retraining a deep learning algorithm for improving guideline-compliant aortic diameter measurements on non-gated chest CT / Francesca Lo Piccolo, Daniel Hinck, Martin Segeroth et al. // European Journal of Radiology _ 2023. - Vol. 168. - P. 111093. - URL: https://www.sciencedirect. com/science/article/pii/S0720048X23004072.

44. Assessing the role of an artificial intelligence assessment tool for thoracic aorta diameter on routine chest CT / John Graby, Maredudd Harris, Calum Jones et al. // British Journal of Radiology. — 2023. — 07. — Vol. 96, no. 1151. — P. 20220853. - URL: https://doi.org/10.1259/bjr.20220853.

45. Artificial intelligence-powered solutions for automated aortic diameter measurement in computed tomography: a narrative review / Eunice Man Ki Lo, Sisi Chen, Karen Hoi Ling Ng, Randolph Hung Leung Wong // Annals of Translational Medicine. — 2024. — Vol. 12, no. 6. — P. 116.

46. Deep learning techniques for imaging diagnosis and treatment of aortic aneurysm / Legang Huang, Jiankuan Lu, Ying Xiao et al. // Frontiers in Cardiovascular Medicine. — 2024. — Vol. 11. — P. 1354517.

47. LitCall: learning implicit topology for CNN-based aortic landmark localization / Zhangxing Bian, Jiayang Zhong, Yanglong Lu et al. // Medical Imaging 2022: Image Processing / SPIE. - Vol. 12032. - 2022. - Pp. 230-236.

48. Automatic CTA analysis for blood vessels and aneurysm features extraction in EVAR planning / Erich Robbi, Daniele Ravanelli, Sara Allievi et al. // Scientific Reports. — 2025. — Vol. 15, no. 1. — Pp. 1-12.

49. Segmentation of the Aorta Using Active Contours with Histogram-Based Descriptors / Miguel Alemán-Flores, Daniel Santana-Cedrés, Luis Alvarez et al. // Intravascular Imaging and Computer Assisted Stenting and Large-Scale Annotation of Biomedical Data and Expert Label Synthesis / Ed. by Danail Stoyanov, Zeike Taylor, Simone Balocco et al. — Cham: Springer International Publishing, 2018. — Pp. 28-35.

50. Silversmith William. cc3d: Connected components on multilabel 3D & 2D images. - 2021. - URL: https://doi.org/10.5281/zenodo.5719536.

51. Wieben Oliver. Improved CT Surveillance of Thoracic Aortic Aneurysm Growth. - 2022.

52. Blekanov Ivan, Bodrunova Svetlana S., Akhmetov Askar. Detection of Hidden Communities in Twitter Discussions of Varying Volumes // Future Internet. — 2021. - Vol. 13, no. 11. - URL: https://www.mdpi.com/1999-5903/13/ll/ 295.

53. Encyclopedia of distances / Elena Deza, Michel Marie Deza, Michel Marie Deza, Elena Deza. — Springer, 2009.

54. Rosvall Martin, Axelsson Daniel, Bergstrom Carl T. The map equation // The European Physical Journal Special Topics. — 2009. — Vol. 178, no. 1. — Pp. 13-23.

55. Rosvall Martin, Bergstrom Carl T. Maps of random walks on complex networks reveal community structure // Proceedings of the National Academy of Sciences. - 2008. - Vol. 105, no. 4. - Pp. 1118-1123. - URL: https: / / www.pnas.org/doi / abs/10.1073/ pnas.0706851105.

56. Edler Daniel, Holmgren Anton, Rosvall Martin. The MapEquation software package. — https://mapequation.org. — 2023.

57. Fast unfolding of communities in large networks / Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Etienne Lefebvre // Journal of statistical mechanics: theory and experiment. — 2008. — Vol. 2008, no. 10. — P. P10008.

58. Newman Mark EJ. Modularity and community structure in networks // Proceedings of the national academy of sciences. — 2006. — Vol. 103, no. 23. — Pp. 8577-8582.

59. Traag Vincent A, Waltman Ludo, Van Eck Nees Jan. From Louvain to Leiden: guaranteeing well-connected communities // Scientific reports. — 2019. — Vol. 9, no. 1. - Pp. 1-12.

60. Traag V. A., Van Dooren P., Nesterov Y. Narrow scope for resolution-limit-free community detection // Phys. Rev. E. - 2011. - Jul. - Vol. 84. - P. 016114. - URL: https://link.aps.org/doi/10.1103/PliysRevE.84.016114.

61. Hajij Mustafa, Said Eyad, Todd Robert. Generalized K-means for Metric Space Clustering Using PageRank // Computer Graphics and Visual Computing (CGVC) / Ed. by Panagiotis D. Ritsos, Kai Xu. — The Eurographics Association, 2020.

62. Lloyd S. Least squares quantization in PCM // IEEE Transactions on Information Theory. - 1982. - Vol. 28, no. 2. - Pp. 129-137.

63. Grolmusz Vince. A note on the PageRank of undirected graphs // Information Processing Letters. — 2015. — Vol. 115, no. 6. — Pp. 633-634. — URL: https://www.sdencedirect.eom/science/article/pii/S0020019015000381.

64. Fast Distributed PageRank Computation / Atish Das Sarma, Anisur Ra-haman Molla, Gopal Pandurangan, Eli Upfal // Distributed Computing and Networking / Ed. by Davide Frey, Michel Raynal, Saswati Sarkar et al. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2013. — Pp. 11-26.

65. E.W Dijkstra. A note on two problems in connexion with graphs // Numerische Mathematik. - 1959. - Vol. 1, no. 1. - Pp. 269-271. - URL: https: //doi.org/10.1007/BF01386390.

66. Spatial tessellations: concepts and applications of Voronoi diagrams / Atsuyu-ki Okabe, Barry Boots, Kokichi Sugihara, Sung Nok Chiu. — 2009.

67. Ко,го,со,п Alper, Türkvatan Aysel, Karacan Kezihan. Anatomical variations of aortic arch branching: evaluation with computed tomographic angiography // Cardiology in the Young. — 2014. — Vol. 24, no. 3. — P. 485-493.

68. Branching patterns of the aortic arch: a computed tomography angiogra-phy-based study / Ayman G Mustafa, Mohammed Z Allouh, Jamaledin H Abu Ghaida et al. // Surgical and Radiologic Anatomy. — 2017. — Vol. 39, no. 3. - Pp. 235-242.

69. Anatomical variations in aortic arch branching pattern: A computed tomography angiography study / Rabia Tasdemir, Omer Faruk Cihan, Rümaysa Ince et al. // Cur, us. - 2023. - Vol. 15, no. 3.

70. Maximising Large Language Model Utility in Cardiovascular Care: A Practical Guide / Alexis Nolin-Lapalme, Pascal Theriault-Lauzier, Denis Corbin et al. // Canadian Journal of Cardiology. — 2024. — URL: https://www.sciencedirect. com / science / article / pii / S0828282X2400415X.

71. Advancing Cardiovascular Disease Prediction Using LLMs / Tazveen Zanab, Bhavani K, Shunmugapriya В et al. // 2025 International Conference on Machine Learning and Autonomous Systems (ICMLAS). — 2025. — Pp. 581-588.

72. Development of a vascular surgery-specific artificial intelligence chat interface using retrieval-augmented generation: VASC.AI, a specialized vascular surgery chatbot / Tiam Feridooni, Arshia P. Javidan, Daniyal N. Mahmood et al. // JVS-Vascular Insights. - 2024. - Vol. 2. - P. 100137. - URL: https: //www.sciencedirect.com/science/article/pii/S2949912724000850.

73. Evaluating Large Language Models in Echocardiography Reporting: Opportunities and Challenges / Chieh-Ju Chao, Imon Banerjee, Reza Arsanjani et al. // m,ed,Rxiv. — 2024. — URL: https://www.medrxiv.org/content/early/2024/06/ 28/2024.01.18.24301503.

74. Attention is All you Need / Ashish Vaswani, Noam Shazeer, Niki Parmar et al. // Advances in Neural Information Processing Systems / Ed. by I. Guy-on, U. Von Luxburg, S. Bengio et al. — Vol. 30. — Curran Associates, Inc., 2017. — URL: https://proceedings.neurips.cc/paper_files/paper/2017/ file/3f5ee243547dee91fbd053clc4a845aa-Paper.pdf.

75. Improving language understanding by generative pre-training / Alec Radford, Karthik Narasimhan, Tim Salimans et al. — 2018.

76. DeepSeek-AI, :, Bi Xiao et al. DeepSeek LLM: Scaling Open-Source Language Models with Longtermism. — 2024. — URL: https://arxiv.org/abs/2401.02954.

77. Deep Seek-AI, Quo Day a, Yang Dejian et al. DeepSeek-Rl: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. — 2025. — URL: https://arxiv.org/abs/2501.12948.

78. Language models are unsupervised multitask learners / Alec Radford, Jeffrey Wu, Rewon Child et al. // OpenAI blog. - 2019. - Vol. 1, no. 8. -P. 9.

79. Language models are few-shot learners / Tom Brown, Benjamin Mann, Nick Ryder et al. // Advances in neural information processing systems. — 2020. — Vol. 33 _ pp. 1877-1901.

80. Generating long sequences with sparse transformers / Rewon Child, Scott Gray, Alec Radford, Ilya Sutskever // arXiv preprint arXiv:1904-10509. — 2019.

81. Ouyang Long, Wu Jeff, Jiang Xu et al. Training language models to follow instructions with human feedback. — 2022. — URL: https://arxiv.org/abs/ 2203.02155.

82. OpenAI, Achiam Josh, Adler Steven et al. GPT-4 Technical Report. — 2024. - URL: https://arxiv.org/abs/2303.08774.

83. Touvron Hugo, Lavril Thibaut, Izacard Gautier et al. LLaMA: Open and Efficient Foundation Language Models. — 2023. — URL: https://arxiv.org/abs/ 2302.13971.

84. Zhang Biao, Sennrich Rico. Root mean square layer normalization // Advances in Neural Information Processing Systems. — 2019. — Vol. 32.

85. Shazeer Noam. GLU Variants Improve Transformer. — 2020. — URL: https:

arxiv.org abs 2002.05202.

86. RoFormer: Enhanced transformer with Rotary Position Embedding / Jian-lin Su, Murtadha Ahmed, Yu Lu et al. // Neurocomputing. — 2024. — Vol.

568. — P. 127063. — URL: https://www.sciencedirect.com/science/article/pii/ S0925231223011864.

87. Ainslie Joshua, Lee-Thorp James, de Jong Michiel et al. GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints. — 2023. - URL: https://arxiv.org/abs/2305.13245.

88. Direct Preference Optimization: Your Language Model is Secretly a Reward Model / Rafael Rafailov, Archit Sharma, Eric Mitchell et al. // Advances in Neural Information Processing Systems / Ed. by A. Oh, T. Naumann, A. Globerson et al. — Vol. 36. — Curran Associates, Inc., 2023. — Pp. 53728-53741. — URL: https://proceedings.neurips.cc/paper_files/paper/ 2023/ file / a85b405ed65c6477a4fe8302b5e06ce7-Paper-Conference.pdf.

89. Quo Daya, Zhu, Qihao, Yang Dejian et al. DeepSeek-Coder: When the Large Language Model Meets Programming - The Rise of Code Intelligence. — 2024.

- URL: https://arxiv.org/abs/2401.14196.

90. Dao Tri. FlashAttention-2: Faster Attention with Better Parallelism and Work Partitioning. - 2023. - URL: https://arxiv.org/abs/2307.08691.

91. Dai Damai, Deng Chengqi, Zhao Chenggang et al. DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models. — 2024.

- URL: https://arxiv.org/abs/2401.06066.

92. DeepSeek-AI, Liu Aixin, Feng Bei et al. DeepSeek-V3 Technical Report. — 2025. - URL: https://arxiv.org/abs/2412.19437.

93. Lora: Low-rank adaptation of large language models. / Edward J Hu, Ye-long Shen, Phillip Wallis et al. // ICLR. - 2022. - Vol. 1, no. 2. - P. 3.

94. Aghajanyan Arm,en, Zettlemoyer Luke, Gupta Sonal. Intrinsic Dimensionality Explains the Effectiveness of Language Model Fine-Tuning. — 2020. — URL: https://arxiv.org/abs/2012.13255.

95. DoRA: Weight-Decomposed Low-Rank Adaptation / Shih yang Liu, Chien-Yi Wang, Hongxu Yin et al. // Forty-first International Conference on Machine Learning. — 2024. — URL: https://openreview.net/forum?id= 3d5CIRGln2.

96. Zhang Qingru, Chen Minshuo, Bukharin Alexander et a,I. AdaLoRA: Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning. — 2023. — URL: https://arxiv.org/abs/2303.10512.

97. QLoRA: Efficient Finetuning of Quantized LLMs / Tim Dettmers, Ar-tidoro Pagnoni, Ari Holtzman, Luke Zettlemoyer // Advances in Neural Information Processing Systems / Ed. by A. Oh, T. Naumann, A. Glober-son et al. — Vol. 36. — Curran Associates, Inc., 2023. — Pp. 10088-10115. — URL: https://proceedings.neurips.cc/paper_files/paper/ 2023/file/lfeb87871436031bdc0f2beaa62a049b-Paper-Conference.pdf.

98. Retrieval-augmented generation for large language models: A survey / Yun-fan Gao, Yun Xiong, Xinyu Gao et al. // arXiv preprint arXiv:2312.10997. — 2023. - Vol. 2. - P. 1.

99. Graph retrieval-augmented generation: A survey / Boci Peng, Yun Zhu, Yongchao Liu et al. // arXiv preprint arXiv:2408.08921. — 2024.

100. Edge Darren, Trink Ha, Cheng Newman et al. From Local to Global: A Graph RAG Approach to Query-Focused Summarization. — 2025. — URL: https: //arxiv.org/abs/2404.16130.

101. Qwen, :, Yang An et al. Qwen2.5 Technical Report. — 2025. — URL: https: //arxiv.org/abs/2412.15115.

102. Reimers Nils, Gurevych Iryna. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. - 2019. - URL: https://arxiv.org/abs/1908.10084.

Список рисунков

1.1 Пример слайса исходного КТ-исследования............... 20

1.2 3D-модель аорты.............................. 24

1.3 Срез, ортогональный направляющей (слева), с соответствующей

ему маской (справа)............................. 25

1.4 Результаты работы методов построения границы и оценки диаметра по двум наиболее удаленным точкам; а — граница, построенная с помощью контура посредством алгоритма marching cubes; б — две наиболее удаленных точки границы маски аорты............ 27

1.5 Демонстрация работы метода оценки длины границы среза аорты; а — схема обхода границы среза аорты для получения длины границы среза; б — демонстрация работы системы ограничений при обходе границы............................... 29

1.6 Демонстрация отклонения прогноза чистильного диаметра от экспертного значения; а — диаграмма рассеяния визуализирует это отклонение: при идеальном предсказании точки расположились бы вдоль линии; б график Б ланд а-Альтмана позволяет статистически оценить разницу между результатами двух методов. По оси абсцисс стоят среднее значение параметров, полученных обоими методами. По оси ординат находится разница между расчетным и истинным значением. На диаграмме рассеяния не видно существенных отклонений, за исключением двух точек (одна

из которых может быть идентифицирована как выброс)........ 37

1.7 Демонстрация отклонения прогноза большого диаметра от экспертного значения; а — диаграмма рассеяния визуализирует это отклонение: при идеальном предсказании точки расположились бы вдоль линии; б график Б ланд а-Альтмана позволяет статистически оценить разницу между результатами двух методов. По оси абсцисс стоят среднее значение параметров, полученных обоими методами. По оси ординат находится разница между расчетным и истинным значением. На диаграмме рассеяния не видно существенных отклонений, за исключением двух точек (одна

из которых может быть идентифицирована как выброс)........ 38

2.1 Результаты применения Алгоритма 5 для построения направляющей аорты: (а) демонстрирует направляющую в виде точечного множества; (б) показывает упорядоченный набор точек с цветовой кодировкой номеров (более светлые тона соответствуют точкам с большими порядковыми номерами).............. 52

2.2 Результаты применения Алгоритма 8 и 11 для построения графового представления направляющей аорты, номерами обозначены связные подграфы Si П Sj = 0, % = у. (а) демонстрирует результаты Алгоритма 8, на графике виден набор несвязных друг с другом подграфов; (б) показывает результаты Алгоритма 11, по графику видно, что граф связный.......... 57

2.3 Пример треугольного цикла в графе сосудистой структуры. Сплошные черные линии обозначают рёбра, соединяющие точки направляющей кривой Р, тогда как светло-серые линии соответствуют рёбрам из множества Е исходного графа (АГ,Е).

Узлы графа представлены точками.................... 68

2.4 Визуализация Р01, идентифицированных экспертом (ромбы) и Алгоритмом 16 (кресты). Алгоритмический метод обнаружил дополнительную точку интереса, что объясняется пространственным совпадением Р01 дуга после ЬБА с теоретическим положением перешейка аорты. При этом следует отметить дистальное смещение алгоритмически определенной Р01

перешеек аорты относительно её ожидаемого анатомического положения.................................. 71

3.1 Архитектура СРТ-1 [75].......................... 81

3.2 Схема простейшего ИАС. Операции, обозначенные пунктирными линиями выполняется по мере обновления базы знаний........ 88

3.3 Схема общего пайплайна решения. Параллелограммы обозначают входные и выходные данные системы. Закрашенные блоки представляют компоненты, не рассматриваемые в данном исследовании. Модули обозначены различными типами штриховки: перекрестная — для компонента из главы 1, обычная — для модуля из главы 2, пунктирная — для методов, представленных в текущей главе..................................... 91

Список таблиц

1 Общая таблица результатов по всем параметрам качества. . 33

2 Средние значения параметров на дуге аорты.......... 33

3 Средние значения параметров в восходящей и нисходящей зонах аорты................................ 34

4 Средние значения параметров на перешейке и в синотрубчатом соединении...................... 34

5 Оценки стандартных отклонений ст параметров на дуге аорты.................................... 35

6 Оценки стандартных отклонений ст параметров в восходящей и нисходящей зонах аорты.............. 35

7 Оценки стандартных отклонений ст параметров на перешейке и в синотрубчатом соединении............. 36

8 Статистические оценки времени работы с использованием CUDA и CPU............................... 39

9 Средние значения отклонений плоскостей равноудалённых POI при низкой детализации направляющей........... 74

10 Средние значения отклонений плоскостей равноудалённых POI при стандартной детализации направляющей....... 75

11 Средние значения отклонений плоскостей равноудалённых POI при улучшенной детализации направляющей....... 75

12 Оценки стандартных отклонений ст значений пространственных отклонений плоскостей равноудалённых POI при низкой детализации направляющей........... 76

13 Оценки стандартных отклонений ст значений пространственных отклонений плоскостей равноудалённых POI при стандартной детализации направляющей....... 76

14 Оценки стандартных отклонений ст значений пространственных отклонений плоскостей равноудалённых POI при улучшенной детализации направляющей....... 77

15 Средние значения отклонений плоскостей пространственных отклонений плоскостей POI, построенных с помощью Алгоритма 16 при стандартной детализации направляющей...................... 78

16 Оценки стандартных отклонений ст значений пространственных отклонений плоскостей POI, построенных с помощью Алгоритма 16 при стандартной детализации направляющей...................... 78

17 Результаты оценки качества диагностики аневризмы

аорты (динамический контекст)................... 97

18 Результаты оценки качества диагностики аневризмы

аорты (статический контекст).................... 97

19 Результаты оценки качества диагностики аневризмы аорты (статический контекст, дилатация рассматривается

как отсутствие заболевания)..................... 98

20 Результаты оценки качества генерации медицинских заключений (динамический контекст)............... 99

21 Результаты оценки качества генерации медицинских заключений (статический контекст)................. 99

22 Результаты оценки качества генерации медицинских заключений (динамический контекст)............... 99

23 Результаты оценки качества генерации медицинских заключений (статический контекст).................100

Приложение А

Пример результатов работы системы генерации заключений

Пример рекомендательного заключения для кардиохирурга, сгенерированного системой на основе облачной модели DeepSeek v3 [92] и RAG, приведён в Листинге А.1. Подробное описание этой системы приведено в главе 3.

Листинг А.1 Рекомендательное заключение на основе системы с динамическим контекстом

**3аключение кардиохирурга**

На основании данных КТ-ангиографии:

- Максимальный диаметр нисходящей аорты - **2.20 см** (норма).

- Максимальный диаметр перешейка аорты - **3.54 см** (норма).

- Максимальный диаметр дуги аорты после LSA - **4.31 см** (норма, у мужчин пороговое значение - **5.0 см**).

- Остальные сегменты аорты (дуга после TBC, восходящая аорта) также в пределах нормы (**<5.0 см**).

10

15

20

25

* * Диагно з * *:

- Аневризма аорты **отсутствует**. Все измеренные диаметры значительно ниже пороговых значений (5.0 см для мужчин, 4.5 см для женщин).

**Рекомендации**:

1. **Наблюдение**:

- Контрольное КТ-ангиографическое исследование через **1-2 года** для динамической оценки размеров аорты.

- Регулярный мониторинг артериального давления и уровня липидов.

2. **Профилактика**:

- Отказ от курения (если пациент курит).

- Приём ацетилсалициловой кислоты (по согласованию с терапевтом/кардиологом).

- Коррекция факторов риска (гипертензия, дислипидемия).

3. **Дополнительно**:

- При появлении новых симптомов (боль в груди/спине, одышка) -срочное обращение для повторного обследования.

30 **3аключение**:

Пациент **не требует хирургического вмешательства**. Рекомендовано

консервативное наблюдение и профилактика сердечно-сосудистых о сложнений.

40

*Подпись / Дата*

*Примечание: Если у пациента есть сопутствующие заболевания (например, артериальная гипертензия), требуется их коррекция для снижения риска прогрессирования патологии аорты.*