Методы адаптивного обучения на основе краудсорсинговой разметки данных для интеллектуального анализа медицинских изображений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Коваленко Лев Алексеевич

• Коваленко Лев Алексеевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Коваленко Лев Алексеевич

Введение

Глава 1. Полезная модель краудсорсинга и архитектуры

системы разметки и подготовки медицинских данных

1.1 Актуальные проблемы краудсорсинга в медицине

1.2 Обзор и сравнительный анализ существующих решений

1.3 Проектирование полезной модели краудсорсинга

1.3.1 Сценарий взаимодействия различных групп

пользователей с краудсорсинговой системой разметки медицинских данных

1.4 Разработка компонентной архитектуры краудсорсинговой

системы разметки медицинских данных

1.5 Тестирование и апробация краудсорсинговой платформы разметки медицинских данных

1.6 Выводы

Глава 2. Стратегии и инструменты автоматизации разметки

медицинских данных

2.1 Обзор существующих методов и инструментов авторазметки

2.2 Реализация функционального модуля автоматической разметки

в задаче сегментации аорты сердца

2.3 Примеры работы системы авторазметки в задаче сегментации аорты сердца

2.3.1 Примеры автоматической разметки моделей обученных

на открытых данных

2.3.2 Примеры автоматической разметки моделей обученных

на собственных данных

2.4 Эвристические методы повышения качества разметки методами

AI/ML

2.4.1 Алгоритм эвристического поиска значимого диапазона

интенсивности данных

Стр.

2.4.2 Алгоритм морфологического закрытия для ЗБ-масок

2.4.3 Алгоритм фильтрации масок на основе поиска ЗБ

связных компонент

2.4.4 Алгоритмы уменьшения количества точек полигональной аннотации СУАТ

2.5 Тестирование функционального модуля автоматической

разметки в задаче сегментации аорты сердца

2.6 Выводы

Глава 3. Стратегии и инструменты активного обучения в

прикладных медицинских задачах

3.1 Обзор существующих методов и стратегий активного обучения

3.1.1 Стратегии выбора на основе неопределенности

3.1.2 Стратегии выбора на основе разнообразия данных

3.1.3 Гибридные стратегии активного обучения

3.1.4 Многомодельные стратегии активного обучения

3.1.5 Адаптивные стратегии активного обучения

3.1.6 Стратегии выбора на основе ожидаемого влияния на модель

3.2 Актуальные проблемы применения стратегий активного

обучения на медицинских изображениях

3.3 Адаптация методов для работы с медицинскими изображениями

в формате КТ

3.4 Тестирование стратегий активного обучения в задаче сегментации аорты сердца

3.4.1 Методы выбора срезов КТ-снимков на основе неопределенности

3.4.2 Методы выбора КТ-снимков на основе неопределенности

3.5 Выводы

Заключение

Список литературы

Список рисунков

Список таблиц

Введение диссертации (часть автореферата) на тему «Методы адаптивного обучения на основе краудсорсинговой разметки данных для интеллектуального анализа медицинских изображений»

Введение

За последние несколько лет наблюдается значительное развитие и рост использования технологий искусственного интеллекта в разных социально-значимых видах деятельности для эффективного решения широкого круга сложных задач, требующих экспертных знаний. Область здравоохранения и медицина не являются исключениями, однако к таким технологиям предъявляют более высокие стандарты и требования к качеству, интерпретируемости и их реализации. Применение современных методов сбора, обработки и интеллектуального анализа данных способствует развитию существующих и формированию инновационных медицинских технологий, направленных на автоматизацию рабочих процессов и экспертную поддержку принятия решений для врачей и клиник. Одним из ключевых аспектов в разработке качественных и точных решений для диагностики, прогнозирования заболеваний и персонализации лечения является сбор, разметка и обработка больших объемов медицинских данных. Использование специализированных программных решений, таких как краудсорсинговые системы, в этой задаче позволяет массово привлекать асессоров и экспертов и организовывать системный процесс создания качественной и полной разметки наборов медицинских данных, необходимых для разработки точных методов и технологий искусственного интеллекта, способных выявлять различные виды патологий, классифицировать заболевания и прогнозировать динамику их развития.

Автоматизация процессов обработки специфичных медицинских данных, таких как медицинские снимки компьютерной томографии (КТ) и магнитно-резонансной томографии (МРТ), является важным направлением, которое значительно сокращает время подготовки данных. Использование методов автоматической разметки позволяет существенно сократить временные затраты и упростить задачу разметки медицинских снимков, а в сочетании со стратегиями активного обучения для оптимального выбора данных, требующих разметки, приводит к существенному снижению используемых ресурсов для составления качественно размеченных наборов данных и сокращению цикла разработки и обновления технологий искусственного интеллекта.

Актуальность темы исследования. Автоматическая обработка медицинских изображений представляет растущий научный и практический

интерес. Современные технологии искусственного интеллекта на основе методов машинного и глубокого обучения открывают новые возможности для анализа визуальных данных в медицине. Однако эффективность таких методов напрямую зависит от качества и объема размеченных данных, что становится критическим вызовом в условиях высокой вариативности медицинских изображений и ограниченности экспертных ресурсов.

Медицинские изображения, такие как снимки КТ и МРТ, являются трехмерными объемами данных, состоящими из множества поперечных срезов. Обработка и разметка таких изображений является сложной задачей и требует согласованности разметки данных не только в пределах одного среза, но и между всеми срезами в пространстве одного снимка. Для разметки одного такого снимка асессору необходимо обработать около 500 двухмерных срезов, выполнив детальную разметку каждого из них. Такой объем ручного труда является не только трудозатратным и замедляет подготовку данных для обучения моделей, но и создает риски субъективных ошибок при разметке различных видов патологий на изображении.

Применение технологий краудсорсинга для разметки данных позволяет привлечь коллективную экспертизу специалистов для создания новых качественных и репрезентативных наборов данных для повышения точности и интерпретируемости медицинских технологий на основе искусственного интеллекта. Важным аспектом является наличие методологии организации системного, безопасного, контролируемого и валидируемого процесса краудсор-синговой разметки данных для уменьшения рисков появления потенциальных ошибок в разметке и соответствия нормам конфиденциальности и защиты персональных медицинских данных. Для организации такого подхода требуются специализированные краудсорсинговые платформы разметки данных, соответствующие большому количеству критериев и поддерживающие обработку специфичных форматов медицинских изображений. Использование механизмов автоматической разметки позволяет снизить количество ручного труда, сократив время на составление размеченных наборов данных, а внедрение стратегий активного обучения в целом сокращает цикл разработки и обновления решений интеллектуального анализа медицинских данных и повышает их точность, подключая их к процессу выборки и формирования обучающих датасетов. Программы, представленные в свидетельствах о регистрации [1—3] использовались для организации процесса разработки решения интеллектуального

анализа медицинских данных в прикладной задаче диагностики патологий аорты. Для создания программных комплексов исследовались методологические и технические ограничения существующих систем разметки данных, стратегий авторазметки и активного обучения.

Таким образом, применение стратегий адаптивного обучения на основе технологий краудсорсинга способно повысить точность диагностики, снизить риски ошибок при системном анализе сложных случаев и обеспечить масштабируемость решений для медицинских учреждений. Устранение неоднозначности в интерпретации изображений, автоматизация рутинных задач и учет контекстных особенностей данных открывают путь к персонализированной медицине и повышению доступности качественной диагностики в условиях дефицита экспертов.

Целью диссертационной работы является разработка и апробация методологического и программного комплекса адаптивного обучения на основе краудсорсинговой разметки данных для обработки и интеллектуального анализа медицинских изображений.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Изучить и освоить современный уровень технических и программно-математических средств сбора, обработки и краудсорсинговой разметки медицинских данных, а также выявить актуальные проблемы и сформулировать критерии для оценки существующих решений.

2. Разработать методологические подходы для обработки и разметки медицинских данных на основе технологий краудсорсинга в контексте цикла разработки и обновления решений искусственного интеллекта.

3. Разработать универсальную модель архитектуры краудсорсинговой системы медицинских данных и программный комплекс на ее основе.

4. Разработать комплекс современных методов автоматической разметки медицинских данных в информационном обеспечении технологий искусственного интеллекта на основе нейросетевых моделей, диагностирующих, в частности, патологии аорты.

5. Разработать методологические подходы активного обучения нейросетевых моделей, адаптированные для краудсорсинговой разметки медицинских изображений компьютерной томографии.

6. Провести вычислительные эксперименты оценки качества и тестирования методов авторазметки и стратегий активного обучения на медицинских изображениях.

Научная новизна выполненных исследований заключается в следующем.

— Выявлены актуальные проблемы организации процесса разметки медицинских данных, обобщена их классификация и формализованы критерии для оценки существующих решений разметки медицинских данных.

— Разработаны методологические подходы для обработки и разметки медицинских данных на основе технологий краудсорсинга в контексте цикла разработки и обновления решений искусственного интеллекта и полезная модель краудсорсинга.

— Разработано методологическое и алгоритмическое обеспечение автоматической разметки медицинских данных для технологий искусственного интеллекта на основе нейросетевых моделей, диагностирующих патологии аорты.

— Разработаны и протестированы методологические подходы активного обучения нейросетевых моделей, адаптированные для краудсорсинго-вой разметки медицинских изображений компьютерной томографии.

— Разработан программный комплекс краудсорсинговой разметки медицинских данных и апробирован в задаче обучения нейросетевых моделей диагностики патологий аорты сердца.

Теоретическая значимость. Разработанный комплекс методологических и алгоритмических подходов и программных инструментов на их основе позволит строить качественные размеченные наборы данных для разработки новых эффективных методов и технологий искусственного интеллекта по анализу медицинских изображений, направленных на выявление различных видов патологий, классификации заболеваний и прогнозирования динамики их развития в области кардиохирургии.

Практическая значимость. На основе проведённых исследований разработан комплекс методов и программ, предназначенный для организации процесса разработки современных технологий искусственного интеллекта для анализа медицинских изображений, направленных на выявление различных видов патологий, классификации заболеваний и прогнозирования динамики их

развития в области кардиохирургии. Предлагаемые подходы и инструменты позволяют организовать процесс сбора и разметки медицинских изображений, а использование методов автоматической разметки данных и активного обучения приводит к ускорению этого процесса. Разработанный программный комплекс может быть внедрен в медицинские учреждения и использоваться для построения новых решений прикладных задач искусственного интеллекта в различных областях медицины, что приведет к повышению доступности качественной диагностики в условиях дефицита врачей-экспертов. Практическая значимость работы подтверждена участием в следующих рецензируемых международных конкурсах и чемпионатах:

— лауреаты акселерационной программы Санкт-Петербургского государственного университета «START-UP СПбГУ - 2023» (Санкт-Петербург, 2023);

— перспективный проект ИИ в номинации «Высокий социальный эффект» Международной университетской премии в области искусственного интеллекта и больших данных «Гравитация 2024» (Москва, 2024);

— финалисты чемпионата мира по ИИ в секции Healthcare AI, AIM Congress 2025 (Абу-Даби, ОАЭ, 2025);

— финалисты конкурса Агентства стратегических инициатив «Технологии ИИ в здоровьесбережении» по внедрению в практику наиболее эффективных решений для улучшения качества медицинского обслуживания и повышения уровня здоровья населения (Российская Федерация, 2025);

— победители 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 представлены на следующих конференциях:

— 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;

— AI Journey 2023 (AIJ'23), Российская Федерация, Санкт-Петербург, 28.04.2023;

— демо-дни СПбГУ, Российская Федерация, Санкт-Петербург, 17.12.2023-19.12.2023;

— AIM Congress 2024, ОАЭ, Абу-Даби, 07.05.2025-09.05.2025;

— стартап-день Клиники ВМТ им. Н. И. Пирогова СПбГУ, Российская Федерация, Санкт-Петербург, 01.11.2024;

— «СПбГУ в деле» — презентация лучших IT-решений СПбГУ, Санкт-Петербург, 20.11.2024;

— AIM Congress 2025, ОАЭ, Абу-Даби, 06.04.2025-09.04.2025;

— конференция «Высокотехнологичная и специализированная помощь в терапии», Российская Федерация, Санкт-Петербург, 14.05.2025.

Публикации. Основные результаты по теме диссертации изложены в 4 печатных изданиях, из которых 2 и периодических научных журналах, индексируемых Scopus [4; 5], 2 — в периодических научных журналах, индексируемых РИНЦ [6; 7]. Получены 3 свидетельства о государственной регистрации программ для ЭВМ [1—3].

Объем и структура работы. Диссертация состоит из введения, 3 глав и заключения. Полный объём диссертации составляет 108 страниц, включая 23 рисунка и 21 таблицу. Список литературы содержит 115 наименований.

Во введении сформулированы критерии, показана актуальность и новизна исследования, описана теоретическая и практическая значимость полученных результатов, обозначена цель и задачи исследования для ее достижения, сформулированы положения, выносимые на защиту.

В первой главе описаны спроектированная полезная модель крауд-сорсинга и универсальная архитектура системы на ее основе для разметки медицинских данных и приведены результаты апробации реализованной согласно описанной архитектуре краудсорсинговой системы разметки данных на примере задачи сбора данных для построения решения диагностики патологий аорты по КТ-снимкам аорты сердца.

Во второй главе представлен разработанный гибридный метод автоматической разметки медицинских изображений на основе интеграции ней-росетевых моделей и эвристических методов обучения со слабым контролем. Автоматическая разметка трехмерных медицинских снимков сокращает время разметки на 30-40%. Применение разработанных гибридных методов, сочетающих нейросетевые модели и эвристические алгоритмы, повысило качество

и

автоматической разметки на 10-12% в сравнении с использованием только пей-росетевых моделей.

В третьей главе приводятся результаты сравнительного анализа стратегий активного обучения в работе с трехмерными медицинскими изображениями. Представлена детальная классификация стратегий активного обучения, а также разработан и протестирован механизм агрегации неопределенности для адаптации методов к работе с цельными объемами КТ-снимков. Использование активного обучения позволяет снижать требуемый объем данных и увеличивать скорость сходимости модели для достижения оптимальных метрик качества.

В заключении подведены итоги и сформулированы основные результаты диссертационной работы.

Основные научные результаты:

1. В работе [7] определены актуальные проблемы использования крауд-сорсинговых решений для разметки медицинских данных и основные критерии для оценки существующих решений (автором диссертации сформулированы критерии и проведен сравнительный анализ).

2. Спроектирована универсальная архитектура краудсорсинговой системы для разметки медицинских данных и на ее основе реализован программный комплекс, использованный для сбора данных в задаче диагностики патологий аорты. На разработанное решение получено свидетельство о регистрации программ для ЭВМ [1] (автором диссертации лично спроектирован и разработан программный комплекс).

3. Собран и подготовлен датасет снимков компьютерной томографии грудной клетки для работы с трехмерной моделью аорты и обсчетом ее параметров. Результаты работы представлены в работах [5; 6] (автором реализованы методы обработки снимков КТ и формирования разметки аорты).

4. Проведено исследование применения методов искусственного интеллекта в задачах диагностики патологии аорты (см. работы [2; 4]).

5. Разработан гибридный метод на основе интеграции нейросетевых моделей и эвристических алгоритмов для автоматической разметки семантической сегментации аорты сердца, описанный в разделе 2.4, который также применен в программе диагностики патологий аорты, см. свидетельство о регистрации программ для ЭВМ [3] (автором реали-

зованы гибридный метод и общий пайплайн диагностики патологий аорты).

6. Разработаны методы активного обучения нейросетевых моделей для диагностики патологий аорты, описание подхода приведено в разделе 3.3 (автором реализованы методы активного обучения и проведены численные эксперименты).

Основные положения, выносимые на защиту:

1. Методологические подходы для обработки и разметки медицинских данных на основе технологий краудсорсинга в контексте цикла разработки и улучшения решений искусственного интеллекта.

2. Комплекс современных методов автоматической разметки трехмерных медицинских изображений в информационном обеспечении технологий искусственного интеллекта на основе нейросетевых моделей для диагностики патологии аорты.

3. Методологические подходы активного обучения нейросетевых моделей, адаптированные для краудсорсинговой разметки медицинских изображений компьютерной томографии.

4. Универсальная архитектура и программный комплекс на ее основе для сбора и краудсорсинговой разметки медицинских изображений со встроенными методами автоматической разметки и активного обучения.

Глава 1. Полезная модель краудсорсинга и архитектуры системы разметки и подготовки медицинских данных

Сегодня искусственный интеллект (А1) и машинное обучение (МЬ) активно применяются для решения задач в различных сферах жизни человека, включая здравоохранение, финансы, транспорт и образование. Особый интерес применения технологий и инструментов А1 вызывает задача анализа реальных медицинских данных в контексте диагностики заболеваний, прогнозирования исходов лечения и персонализации терапий. Фундаментальные идеи использования А1 в здравоохранении представлены в литературе [8—11], где подчеркивается способность этих технологий обрабатывать большие объемы данных, выявлять скрытые закономерности и предлагать решения, которые могут значительно повысить точность диагностики и эффективность лечения.

Для достижения качественных результатов при использовании инструментов интеллектуального анализа данных в решении различных задач требуется проведение качественной и обширной разметки данных с участием экспертов предметной области задачи [11—14]. Качественная разметка данных позволяет моделям обучаться на достоверной информации, что, в свою очередь, ведет к повышению их точности и надежности. В условиях растущего объема данных, доступных для анализа, традиционные методы разметки становятся недостаточно эффективными, требуются специализированные краудсорсинго-вые платформы разметки данных [15—18], позволяющие организовать процесс разметки и ее валидации большой командой экспертов.

Подготовка датасетов на основе медицинских данных встречается с дополнительными трудностями: медицинские данные имеют свои специализированные форматы и структуру, которая сильно отличается от распространенных данных [19—22], используемых в задачах А1 и МЬ таких, как табличные данные, тексты, картинки, видео и т.д. Поэтому перед разметкой требуется предварительная подготовка данных для корректного восприятия экспертом и осуществления разметки. Этот процесс осложняется отсутствием универсальных стандартов в медицине — разные учреждения могут использовать различные системы и форматы хранения, кодирования и классификации различных медицинских данных. К тому же обработка медицинских данных подразумевает соблюдение строгих норм конфиденциальности и защиты персо-

нальных данных [22; 23], что может ограничивать доступ к данным и усложнять процесс их разметки. Требуется использовать различные инструменты апопи-мизации и шифрования данных для организации краудсорсинговой разметки данных.

Также процесс краудсорсинговой разметки осложняется различным уровнем экспертизы у асессоров и неоднозначностью интерпретации данных [24^26]. Это может быть причиной потенциальных ошибок или пропусков в размеченном датасете, что будет сказываться на обучении моделей и их дальнейшем качестве работы. Минимизация рисков допущения ошибок требует дополнительных инструментов валидации и оценки качества разметки [26—28].

Данная глава посвящена решению указанных проблем посредством проектирования и разработки системы краудсорсинга, адаптированной под специфику медицинских данных и взаимодействие со врачами-экспертами в удаленном формате. В главе рассматривается методология разметки медицинских данных врачами-экспертами, основанная на современных методах и инструментах краудсорсинга, представляется универсальная модель архитектуры краудсорсинговой системы на базе OYAT с интеграцией специализированных модулей обработки медицинских данных, а также описывается сценарий взаимодействия различных групп пользователей (врачи, врачи-эксперты, асессоры, разработчики ML/AI) в процессе разработки AI решений.

1.1 Актуальные проблемы краудсорсинга в медицине

Краудсорсинговый подход к разметке данных в медицине является важным инструментом для обработки больших объемов информации, необходимых для обучения алгоритмов машинного обучения и искусственного интеллекта. Однако, несмотря на его потенциал, существует ряд актуальных проблем, которые могут повлиять на эффективность и надежность этого подхода.

Работа с персональными данными в медицинской сфере требует строгого соблюдения норм конфиденциальности. Правовые аспекты обработки и разметки медицинских данных с помощью инструментов краудсорсинга регулируются различными нормами, включая 152 и 323 федеральные законы Российской Федерации, Общий регламент по защите данных (GDPR) в Европейском Союзе

и Закон о защите здоровья и образовательной информации (Н1РАА) в США. Использование машинного обучения и искусственного интеллекта в медицине требует специальных механизмов защиты данных пациентов [22; 23; 29; 30]. Анонимизация данных представляет собой ключевой элемент защиты прав субъектов данных. Безопасные методы анонимизации могут помочь снизить риск утечки информации и обеспечить соблюдение законодательства. Необходимость анонимизации данных и использования защищенных платформ для их обработки становится критически важной [30; 31].

Качество разметки данных представляет собой ключевой аспект, определяющий эффективность краудсорсинга в медицинских исследованиях. Разные участники, вовлеченные в процесс разметки, могут обладать различными уровнями квалификации и опытом, что в свою очередь может приводить к несогласованности и ошибкам в интерпретации медицинских терминов и концепций [24^26]. Это несоответствие может негативно сказаться на результатах исследований, а также на дальнейшей обработке и анализе данных. В связи с этим разработка четких стандартов и протоколов для оценки и контроля качества работы участников является необходимым условием для повышения надежности разметки данных. Одним из подходов является обучение и повышение квалификации асессоров перед началом разметки данных [32—34]. Также предлагается применять кросс-разметку данных и привлекать экспертов-врачей для обнаружения ошибок в разметке медицинских данных [35; 36]. Использование специализированных метрик качества [25; 37] и методов машинного обучения [38; 39] позволит частично автоматизировать процесс ва-лидации разметки медицинских данных, тем самым также позволит улучшить качество подготовленных датасетов. В работе [20] проводится обзор использования методов краудсорсинга в медицине. Авторы отмечают, что среди медицинских исследований с использованием инструментов краудсорсинга есть работы, направленные на подготовку данных для дальнейшего обучения моделей машинного обучения и искусственного интеллекта. В статье определяется несколько ключевых областей, где краудсорсинг может быть успешно применен для разметки данных: медицинские изображения, клинические карты и истории болезни пациентов. Кроме того, платформы краудсорсинга могут использоваться для сбора данных о здоровье населения, что может помочь в проведении эпидемиологических исследований. Также в статье сказано, что с использованием краудсорсинга для разметки медицинских данных получается собрать

большие объемы данных с меньшими затратами. Несмотря на преимущества краудсорсинга, авторы находят ряд проблем с которыми он сталкивается при использовании в сфере здравоохранения. Одной из основных является обеспечение качества аннотированных данных, так как разные асессоры могут иметь различный уровень квалификации, что приводит к несоответствиям в разметке. Это требует дополнительной валидации данных, что может увеличить временные и финансовые затраты. Также важным аспектом является соблюдение норм конфиденциальности при сборе и обработке медицинских данных. Авторы статьи описывают несколько методов, которые могут быть использованы для повышения эффективности краудсорсинга в медицине. В частности, обучение асессоров может повысить их квалификацию и обеспечить единообразие в разметке данных. Внедрение многоуровневых систем проверки, где аннотации нескольких асессоров сравниваются друг с другом, позволяет обеспечить контроль качества. Применение автоматизированных инструментов для предварительной аннотации данных, которые затем корректируются асессорами, может значительно ускорить процесс. Наконец, разработка удобных интерфейсов для асессоров упрощает процесс аннотации и делает его более интуитивно понятным. В статье [28] рассматриваются подходы к обеспечению качества аннотаций в контексте краудсорсинга для сегментации изображений с несколькими регионами интереса (МиШ-1Ю1). Авторы подмечают, что в условиях растущего объема медицинских изображений и необходимости их аннотации, краудсорсинг становится важным инструментом, но требует тщательной оценки качества полученных данных. Авторы подчеркивают сложности, связанные с сегментацией изображений, особенно когда необходимо выделить несколько регионов интереса. Эта задача требует высокой точности и экспертизы, что делает ее сложной для исполнения на открытых краудсорсинговых платформах. Традиционные методы контроля качества, такие как использование экспертных аннотаторов и двойная аннотация, могут быть затратными и не эффективными для оценки качества аннотаций в этой задаче. В статье рассматриваются новые стратегии обеспечения качества аннотаций: использование алгоритмов машинного обучения для автоматической проверки и улучшения аннотаций. Также авторы разрабатывают метрики для оценки качества, учитывающих специфику МиШ-1Ю1 сегментации. Авторы показывают, что новые подходы могут значительно улучшить качество аннотаций по сравнению с традиционными методами.

Список литературы диссертационного исследования кандидат наук Коваленко Лев Алексеевич, 2026 год

Список литературы

1. Свидетельство о гос. регистрации программы для ЭВМ. Программа для краудсорсинговой разметки медицинских изображений формата БЮОМ (БЮОМЬаЬеШув) [Текст] / Л. А. Коваленко, И. С. Блеканов ; Роспатент. — № 2025612797 ; заявл. 07.02.2025 ; опубл. 20.02.2025 (Рос. Федерация) .

2. Свидетельство о гос. регистрации программы для ЭВМ Программа для автоматической интеллектуальной диагностики патологий аорты по снимкам КТ на основе глубокого обучения (AortaDiagnosisDL) [Текст] / И. С. Блеканов [и др.] ; Роспатент. — № 2025660298 ; заявл. 23.04.2025 ; опубл. 14.05.2025 (Рос. Федерация).

3. Свидетельство о гос. регистрации программы для ЭВМ. Программа для интеллектуальной генерации экспертной разметки сердечно-сосудистой системы на данных КТ-снимков (СогеА1ЬаЬе18ув) [Текст] / И. С. Блеканов [и др.] ; Роспатент. — № 2025666406 ; заявл. 07.06.2025 ; опубл. 25.06.2025 (Рос. Федерация).

4. Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана (обзор литературы) [Текст] / Г. Ким [и др.] // Сибирский журнал клинической и экспериментальной медицины. — 2024. — Т. 39, № 2. — С. 36 45.

5. Методы построения сечений аорты и вычисления их характеристик по снимкам КТ [Текст] / Е. Ларин [и др.] // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. _ 2025. - Т. 21, № 2. - С. 255—276.

6. Методы построения ЗБ модели аорты сердца и её сечения для автоматизации процесса КТ-диагностики [Текст] / Л. Коваленко [и др.] // Процессы управления и устойчивость. — 2023. — Т. 10, Л'° 1. С. 298 303.

7. Инструменты краудсорсинга для анализа и обработки медицинских изображений в виде снимков КТ [Текст] / Ф. Ежов [и др.] // Процессы управления и устойчивость. — 2023. — Т. 10, Л'° 1. С. 291 297.

8. Topol, E. Deep medicine: how artificial intelligence can make healthcare human again [Текст] / E. Topol. — Hachette UK, 2019. — 378 p.

9. Obermeyer, Z. Predicting the future—big data, machine learning, and clinical medicine [Текст] / Z. Obermeyer, E. J. Emanuel // New England Journal of Medicine. - 2016. - T. 375, № 13. - C. 1216 1219.

10. Artificial intelligence in healthcare: past, present and future [Текст] / F. Jiang [и др.] // Stroke and vascular neurology. — 2017. — T. 2, № 4.

11. The role of artificial intelligence in healthcare: a structured literature review [Текст] / S. Secinaro [и др.] // BMC medical informatics and decision making. - 2021. - T. 21. - C. 1-23.

12. Roh, Y. A survey on data collection for machine learning: a big data-ai integration perspective [Текст] / Y. Roh, G. Heo, S. E. Whang // IEEE Transactions on Knowledge and Data Engineering. — 2019. — T. 33, № 4. — C. 1328-1347.

13. RuPersonaChat: корпус диалогов для персонификации разговорных агентов [Текст] / К. С. Апанасович [и др.] // Научно-технический вестник информационных технологий, механики и оптики. — 2024. — Т. 24, № 2. — С. 214-221.

14. Шахин, 3. RuLegalNER: новый датасет для распознавания именованных юридических сущностей на русском языке [Текст] / 3. Шахин, Д. И. Муромцев, И. Постный // Научно-технический вестник информационных технологий, механики и оптики. — 2024. — Т. 23, № 4. — С. 854—857.

15. A review and experimental analysis of active learning over crowdsourced data [Текст] / В. Sayin [и др.] // Artificial Intelligence Review. — 2021. — T. 54. — C. 5283-5305.

16. Brief survey of crowdsourcing for data mining [Текст] / G. Xintong [и др.] // Expert Systems with Applications. - 2014. - T. 41, № 17. - C. 7987-7994.

17. Hecht, R. Crowd-sourced data collection to support automatic classification of building footprint data [Текст] / R. Hecht, M. Kalla, T. Kriiger // Proceedings of the ICA. Т. 1. — Copernicus Publications Gottingen, Germany. 2018. - C. 54.

18. Human-level control through deep reinforcement learning [Текст] / V. Mnih [и др.] // nature. - 2015. - Т. 518, № 7540. - С. 529-533.

19. Machine learning (ML) in medicine: review, applications, and challenges [Текст] / A. M. Rahmani [и др.] // Mathematics. - 2021. - Т. 9, № 22. -С. 2970.

20. Crowdsourcing in health and medical research: a systematic review [Текст] / С. Wang [и др.] // Infectious diseases of poverty. — 2020. — T. 9. — C. 1—9.

21. Ellis, R. J. Twelve key challenges in medical machine learning and solutions [Текст] / R. J. Ellis, R. M. Sander, A. Limon. - 2022.

22. Xia, H. Privacy in Crowdsourcing: a Review of the Threats and Challenges [Текст] / H. Xia, B. McKernan // Computer Supported Cooperative Work (CSCW). - 2020. - T. 29. - C. 263-301.

23. Assessing the difficulty of annotating medical data in crowdworking with help of experiments [Текст] / A. Rother [и др.] // PloS one. — 2021. — T. 16, Л'" 7. - eO254764.

24. A crowdsourcing framework for medical data sets [Текст] / С. Ye [и др.] // AMIA Summits on Translational Science Proceedings. — 2018. — T. 2018. — C. 273.

25. The future of crowd work [Текст] / A. Kittur [и др.] // Proceedings of the 2013 conference on Computer supported cooperative work. — 2013. — C. 1301—1318.

26. A survey of crowdsourcing in medical image analysis [Текст] / A. Doyle [и др.] // Human Computation. — 2019. T. 7. Л'° 1.

27. Research on data quality control of crowdsourcing annotation: A survey [Текст] / J. Lu [и др.] // 2020 IEEE Intl Conf on dependable, autonomic and secure computing, Intl Conf on pervasive intelligence and computing, Intl Conf on cloud and big data computing, Intl Conf on cyber science and technology congress (DASC/PiCom/CBDCom/CyberSciTech). — IEEE. 2020. - C. 201-208.

28. Rethinking quality assurance for crowdsourced multi-ROI image segmentation [Текст] / X. Lu [и др.] // Proceedings of the AAAI Conference on Human Computation and Crowdsourcing. T. 11. — 2023. — С. 103—114.

29. ТЕСЛЕНКО, E. В. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНЕ. ПРАВОВЫЕ АСПЕКТЫ [Текст] / Е. В. ТЕСЛЕНКО, А. А. СИЗОВ // И66 МЛ-07. - 2023. - С. 435.

30. Hulsen, Т. Sharing is caring—data sharing initiatives in healthcare [Текст] / Т. Hulsen // International journal of environmental research and public health. - 2020. - T. 17, № 9. - C. 3046.

31. Legal and ethical issues surrounding the use of crowdsourcing among healthcare providers [Текст] / M. H. Sims [и др.] // Health informatics journal. - 2019. - T. 25, № 4. - C. 1618-1630.

32. Mo,son, W. Conducting behavioral research on Amazon's Mechanical Turk [Текст] / W. Mason, S. Suri // Behavior research methods. — 2012. — T. 44,

1. 0. 1-23.

33. Crowdsourcing, open innovation and collective intelligence in the scientific method: a research agenda and operational framework [Текст] / Т. Buecheler [и др.] // The 12th International Conference on the Synthesis and Simulation of Living Systems, Odense, Denmark, 19-23 August 2010. — MIT Press. 20Ю. - C. 679-686.

34. Dortheimer, J. Collective intelligence in design crowdsourcing [Текст] / J. Dortheimer // Mathematics. - 2022. - T. 10, № 4. - C. 539.

35. Learning from multiple expert annotators for enhancing anomaly detection in medical image analysis [Текст] / К. H. Le [и др.] // IEEE Access. — 2023. — Т. И. - С. 14105-14114.

36. Crowdsourcing human-based computation for medical image analysis: A systematic literature review [Текст] / N. Petrovic [и др.] // Health informatics journal. - 2020. - T. 26, № 4. - C. 2446-2469.

37. Semi-automatic data annotation based on feature-space projection and local quality metrics: An application to cerebral emboli characterization [Текст] / Y. Vindas [и др.] // Medical Image Analysis. - 2022. - T. 79. - C. 102437.

38. RIL-contour: a medical imaging dataset annotation tool for and with deep learning [Текст] / К. A. Philbrick [и др.] // Journal of digital imaging. — 2019. - T. 32. - C. 571-581.

39. A semi-automated annotation algorithm based on weakly supervised learning for medical images [Текст] / H. Li [и др.] // Biocybernetics and Biomedical Engineering. - 2020. - T. 40, № 2. - C. 787-802.

40. Larobina, M. Medical image file formats [Текст] / M. Larobina, L. Murino // Journal of digital imaging. - 2014. - T. 27. - C. 200-206.

41. Preparing medical imaging data for machine learning [Текст] / M. J. Willemink [и др.] // Radiology. - 2020. - Т. 295, № 1. - С. 4-15.

42. Pfob, A. Machine learning in medicine: a practical introduction to techniques for data pre-processing, hyperparameter tuning, and model comparison [Текст] / A. Pfob, S.-C. Lu, C. Sidey-Gibbons // BMC medical research methodology. - 2022. - T. 22, № 1. - C. 282.

43. Кондратенко С. С., К. В. Архитектура системы обработки медицинских данных с учетом требований обеспечения целостности [Текст] / К. В. Кондратенко С.С. //. — 2023.

44. Overview of modern digital diagnostic image markup tools [Текст] / Y. A. Vasilev [и др.] // Kazan medical journal. — 2023. — T. 104, № 5. — C. 750-760.

45. Saltz, J. S. Current approaches for executing big data science projects—a systematic literature review [Текст] / J. S. Saltz, I. Krasteva // PeerJ Computer Science. - 2022. — T. 8. — e862.

46. Saltz, J. S. CRISP-DM for Data Science: Strengths, Weaknesses and Potential Next Steps [Текст] / J. S. Saltz // 2021 IEEE International Conference on Big Data (Big Data). - 2021. - C. 2337-2344.

47. Saltz, J. Factors that influence the selection of a data science process management methodology: An exploratory study [Текст] / J. Saltz, N. Hotz // Proceedings of the 54th Annual Hawaii International Conference on System Sciences, HICSS 2021 / иод ред. Т. Bui. — United States : IEEE Computer Society, 2021. — C. 949—959. — (Proceedings of the Annual Hawaii International Conference on System Sciences). — Publisher Copyright: (c) 2021 IEEE Computer Society. All rights reserved.; 54th Annual Hawaii International Conference on System Sciences, HICSS 2021 ; Conference date: 04-01-2021 Through 08-01-2021.

48. D2A U-Net: Automatic segmentation of COVID-19 CT slices based on dual attention and hybrid dilated convolution [Текст] / X. Zhao [и др.] // Computers in biology and medicine. — 2021. — T. 135. — C. 104526.

49. Automated aorta segmentation in low-dose chest CT images [Текст] / Y. Xie [и др.] // International journal of computer assisted radiology and surgery. — 2014. - T. 9, № 2. - C. 211-219.

50. Deep learning for differential diagnosis of malignant hepatic tumors based on multi-phase contrast-enhanced CT and clinical data [Текст] / R. Gao [и др.] // Journal of hematology & oncology. — 2021. — T. 14. Л'°1. С. 154.

51. Pancreatic cancer detection on CT scans with deep learning: a nationwide population-based study [Текст] / P.-T. Chen [и др.] // Radiology. — 2023. — Т. 306, № 1. - С. 172-182.

52. Deep learning algorithm to improve hypertrophic cardiomyopathy mutation prediction using cardiac cine images [Текст] / H. Zhou [и др.] // European Radiology. - 2021. - T. 31, № 6. - C. 3931-3940.

53. State-of-the-art deep learning in cardiovascular image analysis [Текст] /

G. Litjens [и др.] // JACC: Cardiovascular imaging. — 2019. — T. 12, 8 Part 1. - C. 1549-1565.

54. Lee, С. H. Medical big data: promise and challenges [Текст] / С. H. Lee,

H.-J. Yoon // Kidney research and clinical practice. — 2017. — T. 36, № 1. — C. 3.

55. Cios, K. J. Uniqueness of medical data mining [Текст] / К. J. Cios, G. William Moore // Artificial Intelligence in Medicine. - 2002. - T. 26, № 1. -С. 1 24. — URL: https: / / www. sciencedirect. com / science / article / pii / S0933365702000490 ; Medical Data Mining and Knowledge Discovery.

56. A survey on deep learning in medical image analysis [Текст] / G. Litjens [и др.] // Medical image analysis. — 2017. — T. 42. — C. 60—88.

57. Automatic Labels are as Effective as Manual Labels in Biomedical Images Classification with Deep Learning [Текст] / N. Marini [и др.] // arXiv preprint arXiv:2406.14351. - 2024.

58. An efficient high-quality medical lesion image data labeling method based on active learning [Текст] / J. Zhou [и др.] // IEEE Access. — 2020. — T. 8. — C. 144331-144342.

59. Annotation-efficient learning for medical image segmentation based on noisy pseudo labels and adversarial learning [Текст] / L. Wang [и др.] // IEEE Transactions on Medical Imaging. - 2020. - T. 40, № 10. - C. 2795-2807.

60. Swellshark: A generative model for biomedical named entity recognition without labeled data [Текст] / J. Fries [и др.] // arXiv preprint arXiv: 1704.06360. - 2017.

61. Snorkel: Rapid training data creation with weak supervision [Текст] / A. Ratner [и др.] // Proceedings of the VLDB endowment. International conference on very large data bases. T. 11. — 2017. — C. 269.

62. Liang, W. Herald: an annotation efficient method to detect user disengagement in social conversations [Текст] / W. Liang, K.-H. Liang, Z. Yu // arXiv preprint arXiv:2106.00162. - 2021.

63. Settles, B. Active learning literature survey [Текст] / В. Settles. — 2009.

64. Budd, S. A survey on active learning and human-in-the-loop deep learning for medical image analysis [Текст] / S. Budd, E. C. Robinson, B. Kainz // Medical image analysis. - 2021. - T. 71. - C. 102062.

65. Fine-tuning convolutional neural networks for biomedical image analysis: actively and incrementally [Текст] / Z. Zhou [и др.] // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2017. — C. 7340-7351.

66. Kandemir, M. Computer-aided diagnosis from weak supervision: A benchmarking study [Текст] / M. Kandemir, F. A. Hamprecht // Computerized medical imaging and graphics. — 2015. — T. 42. — C. 44—50.

67. Constrained deep weak supervision for histopathology image segmentation [Текст] / Z. Jia [и др.] // IEEE transactions on medical imaging. — 2017. — T. 36, № 11. - C. 2376-2388.

68. Automated design of deep learning methods for biomedical image segmentation [Текст] / F. Isensee [и др.] // arXiv preprint arXiv:1904.08128. — 2019.

69. 3D U-Net: learning dense volumetric segmentation from sparse annotation [Текст] / О. Qigek [и др.] // Medical Image Computing and ComputerAssisted Intervention-MICCAI 2016: 19th International Conference, Athens, Greece, October 17-21, 2016, Proceedings, Part II 19. — Springer. 2016. — C. 424-432.

70. Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning [Текст] / P. Rajpurkar [и др.] // arXiv preprint arXiv: 1711.05225. — 2017.

71. SegFormer: Simple and efficient design for semantic segmentation with transformers [Текст] / E. Xie [и др.] // Advances in neural information processing systems. - 2021. - T. 34. - C. 12077-12090.

72. An end-to-end approach to segmentation in medical images with CNN and posterior-CRF [Текст] / S. Chen [и др.] // Medical image analysis. — 2022. — T. 76. - C. 102311.

73. Transunet: Transformers make strong encoders for medical image segmentation [Текст] / J. Chen [и др.] // arXiv preprint arXiv:2102.04306. — 2021.

74. Breast cancer detection using deep convolutional neural networks and support vector machines [Текст] / D. A. Ragab [и др.] // PeerJ. — 2019. — Т. 7. — e6201.

75. Densenet for breast tumor classification in mammographic images [Текст] / Y. Jiménez Gaona [и др.] // International Conference on Bioengineering and Biomedical Signal and Image Processing. — Springer. 2021. — C. 166—176.

76. Вол, S. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling [Текст] / S. Bai, J. Z. Kolter, V. Koltun // arXiv preprint arXiv:1803.01271. - 2018.

77. Automatic diagnosis of the 12-lead ECG using a deep neural network [Текст] / A. H. Ribeiro [и др.] // Nature communications. — 2020. — T. 11, № 1. — C. 1760.

78. Cardiologist-level arrhythmia detection with convolutional neural networks [Текст] / P. Rajpurkar [и др.] // arXiv preprint arXiv:1707.01836. — 2017.

79. BioBERT: a pre-trained biomedical language representation model for biomedical text mining [Текст] / J. Lee [и др.] // Bioinformatics. — 2020. — Т. 36, № 4. - С. 1234-1240.

80. Zhu, H. Clinical concept extraction with contextual word embedding [Текст] / H. Zhu, I. C. Paschalidis, A. Tahmasebi // arXiv preprint arXiv:1810.10566. — 2018.

81. Large language models encode clinical knowledge [Текст] / К. Singhal [и др.] // Nature. - 2023. - Т. 620, № 7972. - С. 172-180.

82. Knowledge-infused prompting: Assessing and advancing clinical text data generation with large language models [Текст] / R. Xu [и др.] // arXiv preprint arXiv:2311.00287. - 2023.

83. Ren, Z. Weakly supervised machine learning [Текст] / Z. Ren, S. Wang, Y. Zhang // CAAI Transactions on Intelligence Technology. — 2023. — T. 8, Л'" 3. - C. 549-580.

84. New morphological technique for medical image segmentation [Текст] / V. S. Verma [и др.] // 2017 3rd International Conference on Computational Intelligence & Communication Technology (CICT). — 2017. — C. 1—5.

85. Miiller, D. Towards a guideline for evaluation metrics in medical image segmentation [Текст] / D. Miiller, I. Soto-Rey, F. Kramer // BMC Research Notes. - 2022. - T. 15, № 1. - C. 210.

86. Barm, S. 3D MEDICAL IMAGE SEGMENTATION WITH DEEP LEARNING METHODS [Текст] / S. Barm, U. Ergiin, G. E. Giiraksm // International Journal of 3D Printing Technologies and Digital Industry. — 2025. - T. 9, № 1. - C. 73-91.

87. Optimization for medical image segmentation: theory and practice when evaluating with dice score or jaccard index [Текст] / Т. Eelbode [и др.] // IEEE transactions on medical imaging. — 2020. — T. 39, № 11. — C. 3679-3690.

88. A comprehensive survey on deep active learning in medical image analysis [Текст] / H. Wang [и др.] // Medical Image Analysis. — 2024. — C. 103201.

89. Clinical Dataset Structure: A Universal Standard for Structuring Clinical Research Data and Metadata [Текст] / В. Patel [и др.] // Investigative Ophthalmology & Visual Science. - 2024. - T. 65, № 7. - C. 2418-2418.

90. Методика разметки медицинских изображений с функцией кросс-проверки и интеллектуального сегментирования [Текст] / Р. Р. Ахметвалеев [и др.] // ОРГЗДРАВ: Новости. Мнения. Обучение. Вестник ВШОУЗ. — 2021. - 3 (25). - С. 62-69.

91. Черешнев, В. Исследование частотных характеристик электрокардиограммы при помощи дискретного преобразования Фурье [Текст] / В. Черешнев, С. Проскурин // Современные наукоемкие технологии. — 2019. — ..V" 8. - С. 89-93.

92. Нестерова, Е. А. Основы электрокардиографии. Нормальная ЭКГ [Текст] / Е. А. Нестерова // Кардиология: Новости. Мнения. Обучение, _ 2016. - 2 (9). - С. 77-85.

93. Gal, Y. Deep bayesian active learning with image data [Текст] / Y. Gal, R. Islam, Z. Ghahramani // International conference on machine learning. — PMLR. 2017. - C. 1183-1192.

94. Cheplygina, V. Not-so-supervised: a survey of semi-supervised, multi-instance, and transfer learning in medical image analysis [Текст] / V. Cheplygina, M. De Bruijne, J. P. Pluim // Medical image analysis. — 2019. — T. 54. — C. 280-296.

95. Druck, G. Active learning by labeling features [Текст] / G. Druck, B. Settles, A. McCallum // Proceedings of the 2009 conference on Empirical methods in natural language processing. — 2009. — C. 81—90.

96. Sener, 0. Active learning for convolutional neural networks: A core-set approach [Текст] / О. Sener, S. Savarese / / arXiv preprint arXiv: 1708.00489. - 2017.

97. Kirsch, A. Black-box batch active learning for regression [Текст] / A. Kirsch // arXiv preprint arXiv:2302.08981. - 2023.

98. a,I., A. Z. I. et An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction [Текст] / A. Z. I. et al. // The Lancet. - 2019. - T. 394, № 10201. - C. 861-867.

99. An overview of active and passive targeting strategies to improve the nanocarriers efficiency to tumour sites [Текст] / M. F. Attia [и др.] // Journal of Pharmacy and Pharmacology. - 2019. - T. 71, № 8. - C. 1185-1198.

100. Feldman, D. Core-sets: Updated survey [Текст] / D. Feldman // Sampling techniques for supervised or unsupervised tasks. — 2020. — C. 23—44.

101. Cao, X. Bayesian active learning by disagreements: A geometric perspective [Текст] / X. Cao, I. W. Tsang // arXiv preprint arXiv:2105.02543. - 2021.

102. Density weighted diversity based query strategy for active learning [Текст] / Т. Wang [и др.] // 2021 IEEE 24th International Conference on Computer Supported Cooperative Work in Design (CSCWD). - IEEE. 2021. -C. 156-161.

103. Selective sampling using the query by committee algorithm [Текст] / Y. Freund [и др.] // Machine learning. - 1997. - T. 28. - C. 133-168.

104. Gilad-Bachrach, R. Query by committee made real [Текст] / R. Gilad-Bachrach, A. Navot, N. Tishby // Advances in neural information processing systems. - 2005. - T. 18.

105. AdaSampling for positive-unlabeled and label noise learning with bioinformatics applications [Текст] / P. Yang [и др.] // IEEE transactions on cybernetics. - 2018. - T. 49, № 5. - C. 1932-1943.

106. Adasample: Adaptive sampling of hard positives for descriptor learning [Текст] / X.-Y. Zhang [и др.] // arXiv preprint arXiv: 1911.12110. — 2019.

107. Active learning with expected error reduction [Текст] / S. Mussmann [и др.] // arXiv preprint arXiv:2211.09283. - 2022.

108. Freytag, A. Selecting influential examples: Active learning with expected model output changes [Текст] / A. Freytag, E. Rodner, J. Denzler // Computer Vision-ECCV 2014: 13th European Conference, Zurich, Switzerland, September 6-12, 2014, Proceedings, Part IV 13. — Springer. 2014. - C. 562-577.

109. Lung and infection CT-scan-based segmentation with 3D UNet architecture and its modification [Текст] / M. H. Asnawi [и др.] // Healthcare. Т. 11. — MDPI. 2023. - С. 213.

110. Automatic brain tumor segmentation from Multiparametric MRI based on cascaded 3D U-Net and 3D U-Net++ [Текст] / P. Li [и др.] // Biomedical Signal Processing and Control. - 2022. - T. 78. - C. 103979.

111. Computed tomography-based automated measurement of abdominal aortic aneurysm using semantic segmentation with active learning [Текст] / Т. Kim [и др.] // Scientific Reports. - 2024. - Т. 14, № 1. - С. 8924.

112. High accuracy and cost-saving active learning: 3D WD-UNet for airway segmentation [Текст] / S. Wang [и др.] // 2023 19th international symposium on medical information processing and analysis (SIPAIM). — IEEE. 2023. — C. 1-5.

113. Active deep learning from a noisy teacher for semi-supervised 3D image segmentation: Application to COVID-19 pneumonia infection in CT [Текст] / M. A. Hussain [и др.] // Computerized Medical Imaging and Graphics. — 2022. - T. 102. - C. 102127.

114. Diminishing uncertainty within the training pool: Active learning for medical image segmentation [Текст] / V. Nath [и др.] // IEEE Transactions on Medical Imaging. - 2020. - T. 40, № 10. - C. 2534-2547.

115. Top, A. Active learning for interactive 3D image segmentation [Текст] / A. Top, G. Hamarneh, R. Abugharbieh // International Conference on Medical Image Computing and Computer-Assisted Intervention. — Springer. 2011. - C. 603-610.

Список рисунков

1.1 Схема разработки AI решения в области медицины.......... 25

1.2 Модель пользовательского взаимодействия с краудсорсинговой системой разметки медицинских данных в контексте разработки ML/AI решения .............................. 27

1.3 Схема компонентной архитектуры платформы краудсорсинговой разметки медицинских данных...................... 29

1.4 Интерфейс разметки КТ-снимков: а) - разметка грудной аорты, б)

- коронарных артерий........................... 32

1.5 Примеры размеченных данных аорты: а) - 3D модель аорты на основе полученной разметки; б) - поперечный слайс КТ-снимка аорты; в) - разметка слайса аорты в виде маски............ 32

2.1 Примеры архитектурных подходов для систем авторазметки: а) -микросервисная архитектура; б) - монолитная архитектура; в) -архитектура с использованием очереди сообщений........... 43

2.2 Схема работы модуля авторазметки в рамках предложенной модели архитектуры краудсорсинговой системы разметки данных...... 44

2.3 Пример пропусков разметки восходящего отдела аорты и дуги

аорты моделями обученными на открытых данных.......... 47

2.4 Пример ложного срабатывания моделей обученных на открытых данных................................... 48

2.5 Пример артефактов разметки нисходящего отдела аорты и дуги

аорты моделями обученными на открытых данных....................48

2.6 Пример артефактов разметки и ложных срабатываний моделей обученных на собственных данных........................................49

2.7 Пример корректной работы моделей обученных на собственных данных......................................................................50

2.8 Примеры распределения уровней интенсивности для различных КТ-снимков..................................................................52

2.9 Пример трехмерного структурного элемента............................53

2.10 Примеры шаблонов связностей для 2d и 3d данных....................56

2.11 Пример работы алгоритма добавления точек в выпуклую оболочку . 58

2.12 Пример корректной работы моделей, обученных на собственных

данных................................... 65

3.1 Процесс формирования задачи разметки с модулем активного обучения .................................. 80

3.2 График скорости сходимости модели с энтропийным выбором

слайсов для обучающего датасета: а) - Dice; б) - IoU......... 84

3.3 График скорости сходимости модели с выбором слайсов на основе наименьшей уверенности для обучающего датасета: а) - Dice; б) - IoU 85

3.4 График скорости сходимости модели с выбором слайсов маржинальным методом для обучающего датасета: а) - Dice; б) - IoU 86

3.5 График скорости сходимости модели с энтропийным выбором КТ-снимков для обучающего датасета: а) - Dice; б) - IoU....... 88

3.6 График скорости сходимости модели с выбором снимков маржинальным методом для обучающего датасета: а) - Dice; б) - IoU 89

Список таблиц

1.1 Классификация актуальных проблем краудсорсинговой разметки медицинских данных ......................................................19

1.2 Критерии оценки существующих решений с учетом класса проблем . 20

1.3 Современные решения для разметки медицинских данных............22

1.4 Оценка существующих решений согласно критериям таблицы 1.2 . . 23

1.5 Основные характеристики собранного датасета ........................31

1.6 Временные характеристики, затраченные на обработку одной аорты

при создании датасета из 50 аорт..........................................33

2.1 Сравнение стратегии авторазметки ......................................40

2.2 Сравнение поддержки методов авторазметки в платформах..........41

2.3 Размеченные наборы данных для обучения..............................44

2.4 Отобранные модели для авторазметки ..................................45

2.5 Метрики на стендах авторазметки........................................46

2.6 Временные характеристики реализаций алгоритма морфологического закрытия для трехмерного объекта................55

2.7 Сравнение алгоритмов аппроксимации контура ........................61

2.8 Метрики с использованием адаптивного выбора значимого диапазона данных..........................................................62

2.9 Метрики с использованием морфологического закрытия с радиусом

10 ............................................................................63

2.10 Метрики с использованием фильтрации связных компонент..........63

2.11 Метрики с использованием построения выпуклой оболочки для аппроксимирования контура..............................................64

2.12 Оценка времени обработки одной аорты с использованием комбинации различных алгоритмов......................................64

3.1 Классификация стратегий активного обучения..........................70

3.2 Качество различных стратегий активного обучения......................83

3.3 Качество различных стратегий активного обучения....................87