Методы глубокого обучения для мультиклассовой семантической сегментации отделов аорты на КТ-снимках тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ежов Федор Валерьевич

• Ежов Федор Валерьевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Ежов Федор Валерьевич

Введение

Глава 1. Построение 3D модели аорты с помощью

современных нейросетевых 2D методов сегментации

1.1 Обзор литературы

1.1.1 Семантическая сегментация

1.1.2 Семантическая сегментация в медицинской области

1.1.3 Семантическая сегментация аорты

1.2 Материалы и методы

1.2.1 Изучаемая область

1.2.2 Схема пайплайна

1.2.3 Данные

1.2.4 Открытые наборы данных

1.2.5 Нейросетевые модели для сегментации аорты

1.2.6 Метрики оценки методов сегментации

1.2.7 функции потерь

1.3 Эксперименты

1.3.1 Аппаратное и программное обеспечение

1.3.2 Настройки для обучения

1.3.3 Synapse эксперимент

1.3.4 SegThor эксперимет

1.3.5 Эксперимент на авторском датасете

1.3.6 Пример пайплайна сегментации с помощью двумерных нейросетевых методов

1.4 Обсуждение

1.4.1 Ограничения

1.5 Выводы

Глава 2. Семантическая сегментация корня аорты с помощью

трехмерных нейросетевых методов

2.1 Обзор литературы

2.1.1 Эвристические подходы сегментации корня аорты

Стр.

2.1.2 Сегментации корня аорты на основе подходов глубокого

обучения

2.2 Материалы и методы

2.2.1 Пайплайн

2.2.2 Данные

2.2.3 Трехмерные нейросетевые методы семантической сегментации

2.2.4 Методы преобработки и постобработки медицинских данных

2.3 Сегментация корня аорты с помощью ЗБ нейронных сетей

2.3.1 Настройки для обучения

2.3.2 Эксперимент и результаты

2.4 Выводы

Глава 3. Мультиклассовая семантическая сегментация отделов

аорты с помощью трехмерных нейросетевых методов

3.1 Обзор литературы

3.2 Материалы и методы

3.2.1 Пайплайн

3.2.2 Алгоритм сегментации

3.2.3 Данные

3.2.4 Препроцессинг и постпроцессинг данных

3.2.5 Нейронные сети и параметры обучения

3.3 Эксперимент и результаты

3.3.1 Сегментация аорты и прилегающих артерий

3.3.2 Пример работы пайплайна на конкретном клиническом случае

3.4 Выводы

Заключение

Список литературы

Список рисунков

Список таблиц

Введение диссертации (часть автореферата) на тему «Методы глубокого обучения для мультиклассовой семантической сегментации отделов аорты на КТ-снимках»

Введение

Современные достижения в области сбора, обработки и интеллектуального анализа медицинских данных открывают новые возможности для развития в сфере медицинских технологий (Мес1ТесЬ), включая автоматизацию процессов диагностики и принятия врачебных решений на основе технологий искусственного интеллекта (ИИ). Одним из ключевых направлений в области применения технологий ИИ в медицине является разработка классических методов компьютерного зрения (СУ) и методов глубокого обучения (БЬ) для анализа медицинских изображений в специализированных форматах, что позволяет повысить точность и скорость интерпретации результатов медицинской диагностики. Область кардиохирургии не является исключением и представляет особый интерес как для врачей, так и для исследователей, разработчиков систем ИИ. В частности, решение задачи семантической сегментации элементов сердечно-сосудистой системы на медицинских снимках компьютерной томографии (КТ) приобретает особую актуальность в контексте совершенствования автоматизации процесса диагностики и принятия решений с последующим планированием лечения сердечно-сосудистых заболеваний.

Аорта, как крупнейший кровеносный сосуд, играет критически важную роль в функционировании сердечно-сосудистой системы. Точная детекция и сегментация ее отделов на КТ-снимках необходимы для получения ее численных характеристик для раннего выявления патологий, таких как аневризмы, расслоения стенок или атеросклеротические поражения. Разработка специализированных подходов сегментации аорты на основе глубокого обучения способна значительно повысить качество диагностики, сократить время обработки исследований и минимизировать риски человеческих ошибок, что особенно актуально в условиях растущего объема медицинских данных и необходимости персонализированного подхода к лечению пациентов. Результаты исследований в данной области могут стать основой для создания интегрированных систем поддержки принятия врачебных решений, что внесет вклад в развитие цифровой медицины и улучшение стандартов оказания медицинской помощи.

Актуальность темы исследования. Автоматизированный анализ медицинских изображений на основе методов глубокого обучения представляет

все больший научный и практический интерес в условиях цифровизации здравоохранения. Современные алгоритмы глубокого обучения, в частности, нейросетевые методы с механизмом внимания, открывают новые возможности для обработки и интерпретации данных КТ-снимков, что особенно актуально для задач семантической сегментации элементов сердечно-сосудистой системы. В случае такого элемента как аорта, точная сегментация ее отделов (таких как корень, нисходящая часть, дуга, восходящая часть и др.) критически важна для диагностики различных видов патологий (например, аневризмы или расслоения стенок), которые требуют своевременного и точного хирургического вмешательства. Для качественной диагностики аорты требуется получить ее корректные численные характеристики, включая площадь поперечного сечения, длину границы, аксиальный и проксимальный диаметры.

Вместе с этим, ручной анализ КТ-снимков, несмотря на свою распространенность, остается ресурсоемким и подверженным субъективным ошибкам, особенно при работе с большими массивами данных или сложными случаями, связанными с анатомическими вариациями. Применение глубокого обучения позволяет не только автоматизировать процесс сегментации, но и повысить воспроизводимость результатов за счет выявления скрытых паттернов в данных. Это соответствует глобальному тренду внедрения искусственного интеллекта в клиническую практику, где ключевыми требованиями являются скорость, точность и стандартизация диагностики.

Применение нейросетевых методов для семантической сегментации аорты позволит минимизировать риски ошибок, связанных с автоматической интерпретацией, и обеспечить клиническую значимость результатов диагностики. Кроме того, разработка таких методов способствует повышению доступности сложных диагностических процедур, сокращая зависимость от узкоспециализированных экспертов. Это особенно важно для регионов с ограниченными ресурсами или в условиях массовых скрининговых программ. Успешное решение задачи мультиклассовой сегментации аорты может стать основой для интегрированных систем поддержки принятия врачебных решений, которые объединят анализ изображений с предиктивными методами, что соответствует принципам персонализированной медицины. Программы, представленные в свидетельствах о регистрации [1-3] использовались для организации процесса обучения нейросетевых методов решения задачи семантической сегментации аорты и ее отделов на КТ-снимках с последующим получением ее числен-

ных характеристик. Для создания программного комплекса исследовались методологические и технические ограничения существующих нейросетевых архитектур, стратегий их обучения и методов обработки данных.

Таким образом, разработка методов глубокого обучения для семантической сегментации аорты и ее отделов на КТ-снимках позволяет автоматизировать процесс медицинской диагностики, снижая нагрузку на кардиохирургов, и обеспечивая точность получения численных характеристик аорты.

Целью диссертационной работы является разработка и апробация методологического и программного комплекса на основе современных методов глубокого обучения для мультиклассовой семантической сегментации отделов аорты на КТ-снимках и построение ЗБ модели аорты для возможности последующего вычисления ее анатомических характеристик.

Для достижения поставленной цели необходимо было решить следующие задачи:

1. Провести системный анализ современных методологических и специализированных программных средств для семантической сегментации элементов сердечно-сосудистой системы на КТ-снимках, а также выявить актуальные проблемы и сформулировать критерии для оценки существующих решений задачи семантической сегментации.

2. Разработать и провести качественную оценку комплекса современных 2Б методов семантической сегментации аорты, основанных на нейросетевых моделях интеллектуального анализа медицинских изображений, с дальнейшей автоматической реконструкцией ЗБ модели аорты для последующей медицинской диагностики и принятия решений.

3. Разработать методологический комплекс трёхмерной реконструкции корня аорты по КТ-снимкам, основанных на современных нейросетевых ЗБ подходов семантической сегментации сложных анатомических элементов сердечно-сосудистой системы в контексте клинической визуализации и медицинской диагностики.

4. Разработать методологические подходы для мультиклассовой семантической сегментации отделов аорты, учитывающие морфологическую специфику анатомических элементов аорты, на КТ-снимках с помощью комбинированных нейросетевых 2Б и ЗБ (2.5Б) подходов.

5. Провести вычислительные эксперименты оценки качества разработанных современных 2Б и ЗБ методов семантической сегментации аорты на размеченных известных и авторских наборах данных.

6. Разработать специализированный программный комплекс для муль-тиклассовой семантической сегментации и ЗБ реконструкции отделов аорты по КТ-снимкам на основе современных нейросетевых 2Б и ЗБ методов для последующего принятия решений и планирования лечения сердечно-сосудистых заболеваний.

Научная новизна:

1. На основе системного анализа современных исследований в области методологических и специализированных программных средств для семантической сегментации элементов сердечно-сосудистой системы на КТ-снимках выявлены актуальные проблемы и формализованы критерии оценки методов семантической сегментации КТ-изображений в медицине и кардиохирургии, в частности.

2. Разработан и проведена качественная оценка комплекса современных 2Б методов семантической сегментации аорты, основанных на нейросетевых моделях интеллектуального анализа КТ-снимков, с дальнейшей автоматической реконструкцией ЗБ модели аорты для последующей медицинской диагностики патологии аорты и принятия решений.

3. Разработан методологический комплекс трёхмерной реконструкцию корня аорты по КТ-снимкам с помощью современных нейросетевых ЗБ методов семантической сегментации сложных анатомических элементов сердечно-сосудистой системы в контексте клинической визуализации и диагностики патологии аорты.

4. Разработаны методологические подходы для мультиклассовой семантической сегментации аорты, учитывающие морфологическую специфику анатомических структур аорты и её отделов, на КТ-снимках с помощью комбинированных нейросетевых 2Б и ЗБ (2.5Б) подходов в контексте диагностики патологии аорты.

5. Разработан специализированный программный комплекс для мультиклассовой семантической сегментации и ЗБ реконструкции отделов аорты по КТ-снимкам на основе современных нейросетевых 2Б и ЗБ методов для последующего принятия решений и планирования лечения сердечно-сосудистых заболеваний.

Теоретическая и практическая значимость Разработанный комплекс методологических и программных подходов мульти классовой семантической сегментации отделов аорты на КТ-снимках позволяют автоматизировать интеллектуальный анализ результатов диагностики с помощью компьютерной томографии, сокращая время диагностики и повышая экспертность и объективность оценки врачей-специалистов. Результаты исследования могут быть применены в клинической практике для раннего выявления патологий аорты, включая аневризмы и расслоения, повышая точность диагностики и снижая риски ошибок. Это особенно актуально для регионов с дефицитом профильных врачей (например, кардиохирургов), где автоматизированные системы способны компенсировать нехватку специалистов, обеспечивая доступность своевременной диагностики. Кроме того, предложенные подходы могут быть масштабированы для решения задач семантической сегментации в других областях медицинской визуализации, способствуя развитию цифровых и интеллектуальных технологий в здравоохранении. Практическая значимость работы подтверждена участием в следующих рецензируемых международных конкурсах и чемпионатах:

— Победители в всероссийском конкурсе идей «Лига будущего», Москва, 2022;

— 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 внедрения в практику наиболее эффективных решений для улучшения качества медицинского обслужи вания и повышения уровня здоровья населения, Российская Федерация, 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;

— Петербургский Международный Форум Здоровья - Кванториум Медицина молодая, Санкт-Петербург, 04.10.2023-06.10.2023;

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

— Конференция стран BRICS «Трансфер технологий и смежные направления» (ITTN 2024) - презентация Технопарком Санкт-Петербурга 5 лучших проектов из Санкт-Петербурга, Китай, 2024;

— Технопарк Санкт-Петербурга - стратегическая сессия совместно с Акселератором Сеченовского Университета и BioCad, Санкт-Петербург, 21.11.2024;

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

— Финалисты конкурса стартапов HSE Fest 2025, Санкт-Петербург, 2025.

Публикации. Основные результаты по теме диссертации изложены

в 4 печатных изданиях, из которых 2 и периодических научных журналах, индексируемых Scopus |4:5|. 2 и 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 100 страниц, включая 26 рисунков и 10 таблиц. Список литературы содержит 111 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 представлены результаты анализа современных методов семантической сегментации медицинских изображений (сравнительный анализ и выявление ключевых проблем), разработанный методологический комплекс современных 2D методов семантической сегментации аорты. Основное внимание уделено исследованию выбора 2D архитектур нейронных сетей и предобработки данных, направленному на достижение высокой скорости и точности сегментации для последующей реконструкции 3D модели аорты.

Во второй главе представлен методологический комплекс трехмерной реконструкции корня аорты по КТ-снимкам с помощью современных нейросетевых 3D методов семантической сегментации для дальнейшего интеллектуального анализа и диагностики патологий. Детально рассмотрены этапы предобработки и постобработки KT-данных, особенности работы с трёхмерны-

ми входами, а также предложен подход к обучению нейросетевых методов в условиях дефицита обучающих данных.

В третьей главе представлены методологические подходы для муль-тиклассовой семантической сегментации аорты на КТ-снимках с помощью комбинированных нейросетевых 2.5Б подходов в контексте диагностики патологии аорты, а также приведены алгоритмические методы сегментации отделов аорты.

В заключении подведены итоги, сформулированы основные результаты диссертационной работы.

Основные научные результаты:

1. Проведён анализ современных подходов к методам семантической сегментации КТ-изображений элементов сердечно-сосудистой системы и формализованы их основные проблемы, см. работы [4; 6] (автором диссертации формализованы проблемы и проведен сравнительный анализ подходов).

2. Разработан комплекс автоматической реконструкции ЗБ модели аорты на основе современных 2Б нейросетевых методов семантической сегментации, см. раздел 1.2 и работы [5; 7] (автором диссертации разработано методологическое и программное обеспечение системы реконструкции ЗБ модели аорты для дальнейшей диагностики патологий).

3. Разработан методологический комплекс трёхмерной реконструкции корня аорты на медицинских данных с помощью современных ЗБ нейросетевых методов семантической сегментации, см. раздел 2.2 (автором диссертации разработано методологическое и программное обеспечение системы трёхмерной реконструкции корня аорты и проведены численные эксперименты).

4. Разработан методологический комплекс подходов для мультиклассовой семантической сегментации аорты, учитывающий морфологическую специфику анатомических структур аорты и её отделов, см. раздел 3.2 (автором диссертации разработано методологическое и программное обеспечение системы трёхмерной реконструкции аорты и ее отделов, проведены численные эксперименты).

5. Проведены вычислительные эксперименты оценки качества разработанных современных 2Б и ЗБ методов семантической сегментации аорты на размеченных известных и авторских наборах данных, см. раз-

и

делы 1.3, 2.3.2, 3.3 (автором диссертации разработана методология тестирования и оценки качества 2Б и ЗБ методов семантической сегментации, а также выполнено тестирование с использованием методологии) .

6. Разработан программный комплекс на основе современных нейросете-вых 2Б и ЗБ методов семантической сегментации элементов сердечнососудистой системы, см. свидетельства о регистрации программ для ЭВМ [1-3] (автором диссертации разработан программный комплекс).

Основные положения, выносимые на защиту:

1. Комплекс новых 2 Б методов семантической сегментации аорты, основанных на нейросетевых моделях интеллектуального анализа КТ-снимков, и автоматической реконструкции ЗБ модели аорты для последующей медицинской диагностики патологии аорты и принятия врачебных решений в области кардиохирургии.

2. Методологический комплекс трёхмерной реконструкции корня аорты по КТ-снимкам с помощью современных нейросетевых ЗБ методов семантической сегментации сложных анатомических элементов сердечно-сосудистой системы в контексте клинической визуализации и диагностики патологии аорты.

3. Методологические подходы для мультиклассовой семантической сегментации аорты на КТ-снимках, учитывающие морфологическую специфику анатомических структур аорты и её отделов, с помощью комбинированных нейросетевых 2Б и ЗБ (2.5Б) подходов в контексте диагностики патологии аорты.

4. Программный комплекс для мультиклассовой семантической сегментации и ЗБ реконструкции отделов аорты по КТ-снимкам на основе современных нейросетевых 2Б и ЗБ методов для последующего принятия решений и планирования лечения сердечно-сосудистых заболеваний.

Глава 1. Построение ЗБ модели аорты с помощью современных нейросетевых 21) методов сегментации

Двадцатый век ознаменовался стремительным развитием технологий, которые уже радикально меняют мир, в том числе систему здравоохранения. Эти изменения особенно актуальны в кардиологии, учитывая огромное количество случаев сердечно-сосудистых заболеваний, о которых сообщается каждый год. Искусственный интеллект (ИИ), компьютерное моделирование и дополненная реальность (АЯ) являются ключевыми движущими силами этой революции. Они позволяют создавать новые диагностические инструменты, более эффективно прогнозировать осложнения, оптимизировать диагностику и лечение, а также облегчать реабилитацию пациентов [8].

Говоря о диагностике сердечно-сосудистых заболеваний, нельзя не упомянуть ишемическую болезнь сердца (ИБС), которая является основной причиной смертности от сердечно-сосудистых заболеваний. ИБС характеризуется выраженной клинической картиной, что облегчает диагностику и лечение. Однако не все заболевания сердца столь очевидны. Например, аневризма аорты (АА), выпуклость в аорте, крупнейшем кровеносном сосуде организма, часто протекает бессимптомно, что делает раннюю диагностику сложной задачей. Обычно её обнаруживают случайно во время профилактических обследований (УЗИ, мультислайсовая компьютерная томография, МРТ, аортография) или при диагностике других заболеваний.

У мужчин старше 60 лет распространенность АА составляет 4-8 %, а у женщин той же возрастной группы - 0,5-1,5 % [9]. Аневризма грудной аорты (АГА) встречается реже - примерно 5-10 случаев (0,005-0,01 %) на 100 000 населения в год в западных странах [10]. В развитых странах распространенность может достигать 1 % [11]. Совокупная частота разрывов АГА составляет 1,6 на 100 000 человек в год [12].

Такие патологии аорты, как расширение аорты или АА, часто постепенно прогрессируют с течением времени. Это может привести к рассечению или разрыву артерии — наиболее катастрофическим осложнениям АА, которые могут привести к внезапной смерти. В связи с этим такое патологическое состояние называют "тихим убийцей".

Гипертония, дисплазия соединительной ткани (синдромальная и несин-дромальная), бпкусппдальный аортальный клапан, пожилой возраст, курение, приём алкоголя, атеросклероз — основные факторы риска развития аневризмы и расслоения аорты [13]. Хотя аневризмы чаще встречаются у мужчин, данные показывают, что женщины чаще умирают в случае разрыва или расслоения аорты.

Существуют различные причины возникновения аневризмы:

1. Врождённые заболевания (дисплазия соединительной ткани, двустворчатый аортальный клапан, коарктация аорты)

2. Приобретённые факторы:

— Атеросклероз. Воспалительные изменения и отложение холестерина и других веществ на стенках кровеносных сосудов, в результате чего они утолщаются и ослабевают.

— Артериальная гипертензия. Высокое кровяное давление — это хронический фактор, повреждающий кровеносные сосуды, который увеличивает нагрузку на стенки сосудов и заставляет их расширяться.

— Травмы. Стенки аорты могут повреждаться при сильных ушибах или травмах грудной клетки или брюшной полости. Тот же комплекс факторов может быть причиной ятрогенных травм, возникающих в результате процедур и манипуляций в проекции аорты.

— Воспалительные заболевания. Системные заболевания, такие как гигантоклеточный артериит, артериит Такаясу, болезнь Кавасаки, синдром Бехчета и синдром Рейтера.

— Инфекционные заболевания. Сифилис может вызвать повреждение стенки аорты, что приводит к её расширению.

— Аутоиммунные заболевания. Заболевания, при которых иммунная система атакует собственные ткани организма, также могут повреждать стенки аорты.

Встречаются также редкие идиопатические случаи. Генетическая предрасположенность к аневризме и расслоению аорты — основные факторы этих заболеваний. Клинически аневризмы могут быть обнаружены во время визуа-лизационных исследований, проводимых для выявления других заболеваний,

и не иметь никаких симптомов. Тем не менее, существует несколько характерных признаков.

Боль часто проявляется в виде дискомфорта в верхней части груди или в спине между лопатками. Обычно она не вызвана физической нагрузкой, часто носит постоянный характер и не зависит от движения или положения тела. Разрыв АГА обычно вызывает мучительную боль, а при попадании крови в грудную полость может вызвать глубокую одышку. Большие аневризмы восходящей аорты могут также приводить к дисфагии (из-за обструкции пищевода) или стридору (из-за обструкции дыхательных путей), ('давление возвратных гортанных нервов может вызвать охриплость (синдром Ортнера). Хотя физикальное обследование обычно проходит без осложнений, наличие диасто-лического шума, свидетельствующего о регургитации аорты, должно вызвать подозрение на восходящую АА.

Ввиду неспецифичности проявлений и риска летального исхода раннее выявление и медицинское обследование в этой ситуации приобретают решающее значение, особенно если это состояние выявляется у родственников первой линии родства [14]. Заподозрить АГА следует, если на рентгенограмме грудной клетки выявлено расширение средостения или выбухание восходящей аорты справа от верхнего края средостения. Эхокардиография (ЭхоКГ) может быть использована для постоянного мониторинга аневризмы с течением времени, поскольку этот метод имеет ряд преимуществ, таких как широкая доступность и низкая лучевая нагрузка. Тем не менее, аорта может быть более тщательно и точно оценена с помощью МРТ и компьютерной томографии (КТ) с кардио-синхронизацией, поскольку диаметр аорты можно оценить по всей её длине. Эти методы позволяют получить изображения, позволяющие уточнить наличие, расположение, размер (нормальные пределы по данным КТ) и степень аневризмы и или расслоения стенки. МСКТ и МРТ имеют практически одинаковые шансы обнаружить аневризмы [15]. Использование МСКТ и МРТ при симптоматических аневризмах также лучше, чем эхокардиография, при выявлении патологических изменений на уровне дистальной части восходящего сегмента или дуги аорты [16].

Хотя АА часто протекают бессимптомно, важно помнить об их возможных осложнениях:

— Разрыв аневризмы: Это самое опасное осложнение, которое может привести к массивной кровопотере и смерти.

— Тромбоз. В полости аневризмы может образоваться сгусток крови, который может оторваться и закупорить сосуды, вызвав инсульт или инфаркт миокарда.

— Сдавливание окружающих органов: Аневризма может сдавливать окружающие органы, такие как лёгкие, пищевод, трахея, что вызывает боль, затруднённое дыхание и другие симптомы.

Раннее выявление АА имеет решающее значение. Сегодня даже бессимптомные пациенты могут быть обследованы на наличие аневризмы с помощью таких передовых технологий, как УЗИ, КТ и МРТ [17].

Лечение А А зависит от нескольких факторов, включая размер, расположение и скорость роста.

При небольших размерах и медленном росте возможно консервативное лечение — постоянный контроль состояния аневризмы и приём лекарств для снижения риска осложнений. При больших размерах и быстром росте требуется хирургическое вмешательство (эндоваскулярная или открытая операция).

Такие технологии, как искусственный интеллект, могут упростить процесс диагностики и лечения АА:

— Автоматизированный анализ изображений: Алгоритмы искусственного интеллекта могут анализировать данные КТ и МРТ, помогая обнаруживать аневризмы на ранних стадиях.

— Прогнозирование риска: Модели искусственного интеллекта могут предсказывать риск развития аневризмы, учитывая генетическую предрасположенность и образ жизни пациента.

— Индивидуальные планы лечения: Системы искусственного интеллекта могут выбрать оптимальный курс лечения, учитывая индивидуальные особенности пациента [18], включая возраст, пол и сопутствующие заболевания.

Таким образом, следует отметить, что новые технологии, такие как ИИ, AR и компьютерное моделирование, открывают новые горизонты в борьбе с сердечно-сосудистыми заболеваниями, такими как АА.

Список литературы диссертационного исследования кандидат наук Ежов Федор Валерьевич, 2026 год

Список литературы

1. Ежов Ф. В., Блеканов И. С. Программа для автоматической сегментации грудной аорты на медицинских изображений в формате БЮОМ (AortaSegmCT).

2. 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).

3. Блеканов И. С., Коваленко Л. А., Ларин Е. С. и др. Программа для интеллектуальной генерации экспертной разметки сердечно-сосудистой системы на данных КТ-снимков (СогеА1ЬаЬе18ув).

4. Ким Г.И. Блеканов И.С. Ежов Ф.Б. Коваленко Л.А. Ларин Е.С. Разу-милов Е.С. Пугин К.В. Дадашов М.С. Пягай В.А. Шматов Д.В. Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана (обзор литературы) // Сибирский журнал клинической и экспериментальной медицины. — 2024. — Т. 39, № 2. - С. 36-45.

5. Ларин Е.С. Ежов Ф.В. Коваленко Л.А. Пугин К.В. Блеканов И.С. Ким Г. П. Методы построения сечений аорты и вычисления их характеристик по снимкам КТ // Вестник Санкт-Петербургского университет,а. Прикладная математика. Информатика. Процессы управления. — 2025. - Т. 21, № 2. - С. 257-278.

6. 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. - Т. 10, № 1. - С. 263-267.

7. Ежов Ф.В. Коваленко Л.А. Разумилов Е.С. Блеканов И.С. Инструменты краудсорсинга для анализа и обработки медицинских изображений в виде снимков КТ. // Процессы управления и устойчивость Учредители: Смирнов Николай Васильевич. — 2023. — Т. 10, Л'° 1. С. 291-297.

8. Topol Eric J. High-performance medicine: the convergence of human and artificial intelligence // Nature medicine. — 2019. — Vol. 25, no. 1. — Pp. 44-56.

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

10. 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.

11. Heart disease and stroke statistics-2019 update: a report from the American Heart Association / Emelia J Benjamin, Paul Muntner, Alvaro Alonso et al. // Circulation. - 2019. - Vol. 139, no. 10. - Pp. e56-e528.

12. 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.

13. 2022 ACC/AHA Guideline for the Diagnosis and Management of Aortic Disease: A Report of the American Heart Association/American College of Cardiology Joint Committee on Clinical Practice Guidelines / Eric M. Isselbacher, Ourania Preventza, James Hamilton Black III et al. // Journal of the American College of Cardiology. — 2022. — Vol. 80, no. 24. — Pp. e223-e393.

14. The effect of graft configuration on 30-day failure of infrapopliteal bypasses / Bao-Ngoc Nguyen, Richard F. Neville, Mustafa Abugideiri et al. // Journal of Vascular Surgery. - 2014. - Vol. 59, no. 4. - Pp. 1003-1008.

15. Intracranial cerebral artery stenosis with associated coronary artery and extracranial carotid artery stenosis in Turkish patients / Ozlem Alkan, Osman Kizilkilic, Tulin Yildirim, Hakan Atalay // European Journal of Radiology. _ 2009. - Vol. 71, no. 3. - Pp. 450-455. - Osteoporosis.

16. Multimodality imaging of diseases of the thoracic aorta in adults: from the American Society of Echocardiography and the European Association of Cardiovascular Imaging: endorsed by the Society of Cardiovascular Computed Tomography and Society for Cardiovascular Magnetic Resonance /

Steven A Goldstein, Arturo Evangelista, Suhny Abbara et al. // Journal of the American Society of Echocardiography. — 2015. — Vol. 28, no. 2. — Pp. 119-182.

17. Demet/riades D., Velmahos G.C., Sea,lea T.M. Blunt Traumatic Thoracic Aortic Injuries: Early or Delayed Repair^Results of an American Association for the Surgery of Trauma Prospective Study // Journal of Vascular Surgery. — 2010. - Vol. 52, no. 4. - Pp. 1111-1112.

18. Artificial intelligence in healthcare: past, present and future / Fei Jiang, Yong Jiang, Hui Zhi et al. // Stroke and vascular neurology. — 2017. — Vol. 2, no. 4.

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

20. Fluid-structure interaction simulations of patient-specific aortic dissection / Kathrin Baumler, Vijay Vedula, Anna M Sailer et al. // Biomechanics and, modeling in mechanobiology. — 2020. — Vol. 19, no. 5. — Pp. 1607-1628.

21. Cardiac Pulsatile Helical Deformation of the Thoracic Aorta Before and After Thoracic Endovascular Aortic Repair of Type B Dissections / Johan Bondes-son, Ga-Young Suh, Michael D Dake et al. // Journal of Endovascular Therapy. _ 2023. - P. 15266028231179592.

22. Pulsatile Deformations of a Conformable Descending Thoracic Aortic Endo-graft in Aneurysm, Dissection, and Blunt Traumatic Aortic Injury Patients / Christopher P Cheng, Ga-Young Suh, Sina L Moainie et al. // Journal of Endovascular Therapy. - 2023. - P. 15266028231187741.

23. A fully automated pipeline for mining abdominal aortic aneurysm using image segmentation / Fabien Lareyre, Cedric Adam, Marion Carrier et al. // Scientific reports. — 2019. — Vol. 9, no. 1. — P. 13750.

24. Contour-aware network with class-wise convolutions for 3D abdominal multi-organ segmentation / Hongjian Gao, Mengyao Lyu, Xinyue Zhao et al. // Medical Image Analysis. - 2023. - Vol. 87. - P. 102838.

25. A novel multi-attention, multi-scale 3D deep network for coronary artery segmentation / Caixia Dong, Songhua Xu, Duwei Dai et al. // Medical Image Analysis. - 2023. - Vol. 85. - P. 102745.

26. An end-to-end approach to segmentation in medical images with CNN and posterior-CRF / Shuai Chen, Zahra Sedghi Gamechi, Florian Dubost et al. // Medical Image Analysis. - 2022. - Vol. 76. - P. 102311.

27. Fast and low-GPU-memory abdomen CT organ segmentation: the flare challenge / Jun Ma, Yao Zhang, Song Gu et al. // Medical Image Analysis. — 2022. - Vol. 82. - P. 102616.

28. Multi-stage learning for segmentation of aortic dissections using a prior aortic anatomy simplification / Duanduan Chen, Xuyang Zhang, Yuqian Mei et al. // Medical image analysis. — 2021. — Vol. 69. — P. 101931.

29. Detection, segmentation, simulation and visualization of aortic dissections: A review / Antonio Pepe, Jianning Li, Malte Rolf-Pissarczyk et al. // Medical image analysis. — 2020. — Vol. 65. — P. 101773.

30. Transforming medical imaging with Transformers? A comparative review of key properties, current progresses, and future perspectives / Jun Li, Junyu Chen, Yucheng Tang et al. // Medical image analysis. — 2023. — P. 102762.

31. Badrinarayanan Vijay, Kendall Alex, Cipolla Roberto. Segnet: A deep con-volutional encoder-decoder architecture for image segmentation // IEEE transactions on pattern analysis and machine intelligence. — 2017. — Vol. 39, no. 12. - Pp. 2481-2495.

32. Ronneberger Olaf, Fischer Philipp, Brox Thomas. U-net: Convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18 / Springer. _ 2015. - Pp. 234-241.

33. Encoder-decoder with atrous separable convolution for semantic image segmentation / Liang-Chieh Chen, Yukun Zhu, George Papandreou et al. // Proceedings of the European conference on computer vision (ECCV). — 2018. - Pp. 801-818.

34. Scene parsing through ade2Qk dataset / Bolei Zhou, Hang Zhao, Xavier Puig et al. // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2017. — Pp. 633-641.

35. Attention is all you need / Ashish Vaswani, Noam Shazeer, Niki Parmar et al. // Advances in neural information processing systems. — 2017. — Vol. 30.

36. An image is worth 16x16 words: Transformers for image recognition at scale / Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov et al. // arXiv preprint arXiv:2010.11929. - 2020.

37. Swin transformer: Hierarchical vision transformer using shifted windows / Ze Liu, Yutong Lin, Yue Cao et al. // Proceedings of the IEEE/CVF international conference on computer vision. — 2021. — Pp. 10012-10022.

38. SegFormer: Simple and efficient design for semantic segmentation with transformers / Enze Xie, Wenhai Wang, Zhiding Yu et al. // Advances in Neural Information Processing Systems. — 2021. — Vol. 34. — Pp. 12077-12090.

39. Hu, Jie, Shen Li, Sun Gang. Squeeze-and-excitation networks // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2018.

- Pp. 7132-7141.

40. Deformable convolutional networks / Jifeng Dai, Haozhi Qi, Yuwen Xiong et al. // Proceedings of the IEEE international conference on computer vision. _ 2017. - Pp. 764-773.

41. Cbam: Convolutional block attention module / Sanghyun Woo, Jongchan Park, Joon-Young Lee, In So Kweon // Proceedings of the European conference on computer vision (ECCV). - 2018. - Pp. 3-19.

42. ECA-Net: Efficient channel attention for deep convolutional neural networks / Qilong Wang, Banggu Wu, Pengfei Zhu et al. // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. — 2020.

- Pp. 11534-11542.

43. Xcit: Cross-covariance image transformers / Alaaeldin Ali, Hugo Touvron, Mathilde Caron et al. // Advances in neural information processing systems. _ 2021. - Vol. 34. - Pp. 20014-20027.

44. Visual attention network / Meng-Hao Guo, Cheng-Ze Lu, Zheng-Ning Liu et al. // Computational Visual Media. — 2023. — Vol. 9, no. 4. — Pp. 733-752.

45. Unetr: Transformers for 3d medical image segmentation / Ali Hatamizadeh, Yucheng Tang, Vishwesh Nath et al. // Proceedings of the IEEE/CVF winter conference on applications of computer vision. — 2022. — Pp. 574-584.

46. A robust volumetric transformer for accurate 3D tumor segmentation / Hi-mashi Peiris, Munawar Hayat, Zhaolin Chen et al. // International Conference on Medical Image Computing and Computer-Assisted Intervention / Springer. _ 2022. - Pp. 162-172.

47. Transunet: Transformers make strong encoders for medical image segmentation / Jieneng Chen, Yongyi Lu, Qihang Yu et al. // arXiv preprint arXiv:2102.04306. - 2021.

48. 3d ux-net: A large kernel volumetric convnet modernizing hierarchical transformer for medical image segmentation / Ho Hin Lee, Shunxing Bao, Yuankai Huo, Bennett A Landman // arXiv preprint arXiv:2209.15076. — 2022.

49. I2U-Net: A dual-path U-Net with rich information interaction for medical image segmentation / Duwei Dai, Caixia Dong, Qingsen Yan et al. // Medical Image Analysis. - 2024. - Vol. 97. - P. 103241.

50. VSmTrans: A hybrid paradigm integrating self-attention and convolution for 3D medical image segmentation / Tiange Liu, Qingze Bai, Drew A. Torigian et al. // Medical Im,age Analysis. - 2024. - Vol. 98. - P. 103295.

51. Lumen segmentation of aortic dissection with cascaded convolutional network / Ziyan Li, Jianjiang Feng, Zishun Feng et al. // Statistical Atlases and Computational Models of the Heart. Atrial Segmentation and LV Quantification Challenges: 9th International Workshop, STACOM 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16, 2018, Revised Selected Papers 9 / Springer. - 2019. - Pp. 122-130.

52. Deep learning-based medical image segmentation of the aorta using XR-MS-F-U-Net / Weimin Chen, Hongyuan Huang, Jing Huang et al. // Computer Methods and Programs in Biomedicine. — 2022. — Vol. 225. — P. 107073.

53. Deep-learning-based image segmentation for image-based computational hemodynamic analysis of abdominal aortic aneurysms: a comparison study / Zonghan Lyu, Kristin King, Mostafa Rezaeitaleshmahalleh et al. // Biomedical Physics & Engineering Express. — 2023. — sep. — Vol. 9, no. 6. — P. 067001.

54. Fully automatic segmentation of type B aortic dissection from CTA images enabled by deep learning / Long Cao, Ruiqiong Shi, Yangyang Ge et al. // European journal of radiology. — 2019. — Vol. 121. — P. 108713.

55. Multi-stage learning for segmentation of aortic dissections using a prior aortic anatomy simplification / Duanduan Chen, Xuyang Zhang, Yuqian Mei et al. // Medical image analysis. — 2021. — Vol. 69. — P. 101931.

56. Dissected aorta segmentation using convolutional neural networks / Tian-ling Lyu, Guanyu Yang, Xingran Zhao et al. // Computer Methods and Programs in Biomedicine. — 2021. — Vol. 211. — P. 106417.

57. Milletari Fausto, Navab Nassir, Ahmadi Seyed-Ahmad. V-net: Fully convolutional neural networks for volumetric medical image segmentation // 2016 fourth international conference on 3D vision (3DV) / Ieee. — 2016. — Pp. 565-571.

58. Domain adaptive relational reasoning for 3d multi-organ segmentation / Shuhao Fu, Yongyi Lu, Yan Wang et al. // International Conference on Medical Image Computing and Computer-Assisted Intervention / Springer. — 2020. — Pp. 656-666.

59. 3D U-Net: learning dense volumetric segmentation from sparse annotation / Ozgiin Qigek, Ahmed Abdulkadir, Soeren S Lienkamp et al. // International conference on medical image computing and computer-assisted intervention / Springer. - 2016. - Pp. 424-432.

60. Ce-net: Context encoder network for 2d medical image segmentation / Zai-wang Gu, Jun Cheng, Huazhu Fu et al. // IEEE transactions on medical imaging. - 2019. - Vol. 38, no. 10. - Pp. 2281-2292.

61. nnu-net: Self-adapting framework for u-net-based medical image segmentation / Fabian Isensee, Jens Petersen, Andre Klein et al. // arXiv preprint arXiv:1809.10486. - 2018.

62. Cotr: Efficiently bridging cnn and transformer for 3d medical image segmentation / Yutong Xie, Jianpeng Zhang, Chunhua Shen, Yong Xia // International conference on medical image computing and computer-assisted intervention / Springer. - 2021. - Pp. 171-180.

63. MBANet: A 3D convolutional neural network with multi-branch attention for brain tumor segmentation from MRI images / Yuan Cao, Weifeng Zhou, Min Zang et al. // Biomedical Signal Processing and Control. — 2023. — Vol. 80. - P. 104296.

64. HMRNet: High and multi-resolution network with bidirectional feature calibration for brain structure segmentation in radiotherapy / Hao Fu, Guotai Wang, Wenhui Lei et al. // IEEE Journal of Biomedical and Health Informatics. — 2022. - Vol. 26, no. 9. - Pp. 4519-4529.

65. Transbts: Multimodal brain tumor segmentation using transformer / Wenxu-an Wang, Chen Chen, Meng Ding et al. // International conference on medical image computing and computer-assisted intervention / Springer. — 2021. — Pp. 109-119.

66. Zhang Yundong, Liu Huiye, Hu Qiang. Transfuse: Fusing transformers and cnns for medical image segmentation // International conference on medical image computing and computer-assisted intervention / Springer. — 2021. — Pp. 14-24.

67. nnformer: Volumetric medical image segmentation via a 3d transformer / Hong-Yu Zhou, Jiansen Guo, Yinghao Zhang et al. // IEEE transactions on image processing. — 2023. — Vol. 32. — Pp. 4036-4045.

68. Swinunetr-v2: Stronger swin transformers with stagewise convolutions for 3d medical image segmentation / Yufan He, Vishwesh Nath, Dong Yang et al. // International Conference on Medical Image Computing and Computer-Assisted Intervention / Springer. — 2023. — Pp. 416-426.

69. Cao Yunhe, Zhou Mu, Metaxas Dimitris N. UTNet: a hybrid transformer architecture for medical image segmentation // International conference on medical image computing and computer-assisted intervention / Springer. — 2021. — Pp. 61-71.

70. UNETR++: delving into efficient and accurate 3D medical image segmentation / Abdelrahman Shaker, Muhammad Maaz, Hanoona Rasheed et al. // IEEE Transactions on Medical Imaging. — 2024. — Vol. 43, no. 9. — Pp. 3377-3390.

71. Swinmm: masked multi-view with swin transformers for 3d medical image segmentation / Yiqing Wang, Zihan Li, Jieru Mei et al. // International conference on medical image computing and computer-assisted intervention / Springer. — 2023. - Pp. 486-496.

72. 3d transunet: Advancing medical image segmentation through vision transformers / Jieneng Chen, Jieru Mei, Xianhang Li et al. // arXiv preprint arXiv:2310.07781. - 2023.

73. Phtrans: Parallelly aggregating global and local representations for medical image segmentation / Wentao Liu, Tong Tian, Weijin Xu et al. // International Conference on Medical Image Computing and Computer-Assisted Intervention / Springer. - 2022. - Pp. 235-244.

74. Myronenko And/riy. 3D MRI brain tumor segmentation using autoencoder reg-ularization // International MICCAI brainlesion workshop / Springer. — 2018. - Pp. 311-320.

75. Zettler Nico, Mastmeyer Andre. Comparison of 2D vs. 3D U-Net Organ Segmentation in abdominal 3D CT images // arXiv preprint arXiv:2107.04062. _ 2021.

76. Segthor: Segmentation of thoracic organs at risk in ct images / Zoé Lambert, Caroline Petitjean, Bernard Dubray, Su Kuan // 2020 Tenth International Conference on Image Processing Theory, Tools and Applications (IPTA) / IEEE. - 2020. - Pp. 1-6.

77. 3D geometric reconstruction of thoracic aortic aneurysms / Alessandro Borghi, Nigel B Wood, Raad H Mohiaddin, X Yun Xu / / Bio Medical Engineering Online. - 2006. - Vol. 5. - Pp. 1-13.

78. Assessing aortic motion with automated 3D cine balanced steady state free precession cardiovascular magnetic resonance segmentation / Renske Merton,

Daan Bosshardt, Gustav J Strijkers et al. // Journal of Cardiovascular Magnetic Resonance. - 2024. - Vol. 26, no. 2. - P. 101089.

79. Automating aortic cross-sectional measurement of 3D aorta models / Matthew Bramlet, Salman Mohamadi, Jayishnu Srinivas et al. // Journal of Medical Imaging. - 2024. - Vol. 11, no. 3. - Pp. 034503-034503.

80. Варламова Ю.В. Саушкип В.В. Рюмшина H.И. Панфилов Д.С. Козлов Б.Н. Сазонова С.И. Сравнительный анализ воспроизводимости морфометрических показателей грудного отдела аорты по данным компьютерно-томографической и магнитно-резонансной ангиографии // Вестник рентгенологии и радиологии. — 2023. — Т. 104, № 3. — С. 192-207.

81. Determinants of ascending aortic morphology: cross-sectional deep learning-based analysis on 25 073 non-contrast-enhanced NAKO MRI studies / Louisa Fay, Tobias Hepp, Moritz T Winkelmann et al. // European Heart Journal-Cardiovascular Imaging. — 2025. — Vol. 26, no. 5. — Pp. 895-907.

82. Aortic root landmark localization with optimal transport loss for heat map regression / Tsuyoshi Ishizone, Masaki Miyasaka, Sae Ochi et al. // arXiv preprint arXiv:24 07.04921. - 2024.

83. Planning of graft size and 3D reconstruction using virtual reality technique in aortic valve reimplantation / Gregory Reid, Julian Gehweiler, Florian Thieringer et al. // Frontiers in Cardiovascular Medicine. — 2023. — Vol. 9. - P. 1064617.

84. Automatic segmentation of the aortic root in CT angiography of candidate patients for transcatheter aortic valve implantation / Mustafa A Elattar, EM Wiegerinck, RN Planken et al. // Medical & biological engineering & computing. - 2014. - Vol. 52. - Pp. 611-618.

85. Automatic aortic root landmark detection in СТА 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.

86. Automatic aortic root segmentation and anatomical landmarks detection for TAVI procedure planning / Florent Lalys, Simon Esneault, Miguel Castro

et al. // Minim,ally invasive therapy & allied technologies. — 2019. — Vol. 28, no. 3. - Pp. 157-164.

87. Xu Chenyang, Prince Jerry L. Snakes, shapes, and gradient vector flow // IEEE Transactions on image processing. — 1998. — Vol. 7, no. 3. — Pp. 359-369.

88. Tahoces Pablo G, Varela, Rafael, Carreira Jose M. Deep learning method for aortic root detection // Computers in Biology and, Medicine. — 2021. — Vol. 135. - P. 104533.

89. Cascaded neural network-based CT image processing for aortic root analysis / Nina Kriiger, Alexander Meyer, Lennart Tautz et al. // International journal of computer assisted radiology and surgery. — 2022. — Vol. 17, no. 3. — Pp. 507-519.

90. A CT-based deep learning system for automatic assessment of aortic root morphology for TAVI planning / Simone Saitta, Francesco Sturla, Riccardo Gorla et al. // Computers in Biology and, Medicine. — 2023. — Vol. 163. — P. 107147.

91. A benchmark study of convolutional neural networks in fully automatic segmentation of aortic root / Tingting Yang, Guangyu Zhu, Li Cai et al. // Frontiers in Bioengineering and Biotechnology. — 2023. — Vol. 11. — P. 1171868.

92. Vincent Luc. Morphological area openings and closings for grey-scale images // Shape in picture: mathematical description of shape in grey-level images. — Springer, 1994. - Pp. 197-208.

93. Demographic and epidemiologic drivers of global cardiovascular mortality / Gregory A Roth, Mohammad H Forouzanfar, Andrew E Moran et al. // New England journal of medicine. — 2015. — Vol. 372, no. 14. — Pp. 1333-1341.

94. The global and regional prevalence of abdominal aortic aneurysms: a systematic review and modeling analysis / Peige Song, Yazhou He, Davies Adeloye et al. // Annals of surgery. - 2023. - Vol. 277, no. 6. - Pp. 912-919.

95. The Role of Deep Learning in Aortic Aneurysm Segmentation and Detection from CT scans: A Systematic Review and Meta-analysis / Ting-Wei Wang, Yun-Hsuan Tzeng, Jia-Sheng Hong et al. // Next Research. — 2024. — P. 100059.

96. 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.

97. Deep Learning Models for Aorta Segmentation in Computed Tomography Images: A Systematic Review And Meta-Analysis / Ting-Wei Wang, Yun-H-suan Tzeng, Jia-Sheng Hong et al. // Journal of Medical and Biological Engineering. — 2024. — Vol. 44, no. 4. — Pp. 489-498.

98. Deep-learning method for fully automatic segmentation of the abdominal aortic aneurysm from computed tomography imaging / Atefeh Abdolmanafi, Arianna Forneris, Randy D Moore, Elena S Di Martino // Frontiers in Cardiovascular Medicine. - 2023. - Vol. 9. - P. 1040053.

99. DeepVox and SAVE-CT: a contrast-and dose-independent 3D deep learning approach for thoracic aorta segmentation and aneurysm prediction using computed tomography scans / Matheus del Valle, Lariza Laura de Oliveira, Henrique Cursino Vieira et al. // arXiv preprint arXiv:2310.15328. — 2023.

100. Advancements in cardiac structures segmentation: a comprehensive systematic review of deep learning in CT imaging / Turki Nasser Alnasser, Lojain Abdulaal, Ahmed Maiter et al. // Frontiers in cardiovascular medicine. — 2024. — Vol. 11. - P. 1323461.

101. 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.

102. Dissected aorta segmentation using convolutional neural networks / Tian-ling Lyu, Guanyu Yang, Xingran Zhao et al. // Computer methods and programs in biomedicine. — 2021. — Vol. 211. — P. 106417.

103. A deformable constraint transport network for optimal aortic segmentation from ct images / Weiyuan Lin, Zhifan Gao, Hui Liu, Heye Zhang // IEEE Transactions on Medical Imaging. — 2023. — Vol. 43, no. 4. — Pp. 1462-1475.

104. Quantification of the thoracic aorta and detection of aneurysm at CT: development and validation of a fully automatic methodology / Fabiola Bezer-ra de Carvalho Macruz, Charles Lu, Julia Strout et al. // Radiology: Artificial Intelligence. - 2022. - Vol. 4, no. 2. - P. e210076.

105. Automated segmentation and quantification of the healthy and diseased aorta in CT angiographies using a dedicated deep learning approach / Malte Maria Sieren, Cornelia Widmann, Nick Weiss et al. // European radiology. - 2022. - Vol. 32, no. 1. - Pp. 690-701.

106. Deep learning approach for the segmentation of aneurysmal ascending aorta / Albert Comelli, Navdeep Dahiya, Alessandro Stefano et al. // Biomedical engineering letters. — 2021. — Vol. 11. — Pp. 15-24.

107. Segmentation of the true lumen of aorta dissection via morphology-constrained stepwise deep mesh regression / Jingliang Zhao, Jie Zhao, Shumao Pang, Qian-jin Feng // IEEE Transactions on Medical Imaging. — 2022. — Vol. 41, no. 7. - Pp. 1826-1836.

108. CIS-UNet: Multi-class segmentation of the aorta in computed tomography angiography via context-aware shifted window self-attention / Muhammad Im-ran, Jonathan R Krebs, Veera Rajasekhar Reddy Gopu et al. // Computerized Medical Imaging and Graphics. - 2024. — Vol. 118. — P. 102470.

109. Automated multiclass segmentation, quantification, and visualization of the diseased aorta on hybrid PET/CT-SEQUOIA / Gijs D van Praagh, Pieter H Nienhuis, Melanie Reijrink et al. // Medical physics. — 2024. — Vol. 51, no. 6. - Pp. 4297-4310.

110. Aortic KD former: aortic multiclass segmentation using SegFormer via knowledge distillation / Nancy Mohamed Soliman, Medhat Awadalla, Mohamed Elhelw, Mustafa Elattar // Machine Learning: Science and Technology. _ 2025. - Vol. 6, no. 2. - P. 025028.

111. Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge / Muhammad Imran, Jonathan R Krebs, Vishal Balaji Sivaraman et al. // arXiv preprint arX-w:2502.05330. - 2025.

Список рисунков

1.1 Схема пайплайна сегментации и построения ЗБ модели аорты..... 23

1.2 Диаграммы "ящик с усами" с разбивкой по полу с основными характеристиками набора данных больницы Санкт-Петербургского государственного университета: (а) - возрастной диапазон пациентов; (б) - разброс площади поверхности тела пациента; (в) -разброс диаметра восходящей аорты у пациента; (г) - разброс

диаметра корня аорты у пациента..........................................24

1.3 Эксперимент Synapse. Значения метрик DSC декодеров, усредненные по кодерам, обученных на трех различных функциях потерь. Примечание: A11-MLP является частью декодера нейронной сети SegFormer................................................................38

1.4 Пример работы пайплайна сегментации с помощью двумерных нейросетевых методов на конкретном клиническом случае............43

1.5 Примеры гистограмм трех КТ-сканов из датасета, собранного в клиники высоких технологий им. Пирогова..............................44

1.6 Примеры срезов КТ-сканов для различных датасетов..................45

2.1 Схема пайплайна сегментации корня аорты..............................52

2.2 Схема нейронной сети на основе архитектуры encoder-decoder .... 54

2.3 Схема нейронной сети 3D U-Net..........................................54

2.4 Схема нейронной сети 3D U-Net..........................................55

2.5 Схема нейронной сети 3D SegResNet......................................57

2.6 Схема нейронной сети 3D UNETR........................................58

2.7 Схема нейронной сети 3D SwinUNETR..................................60

2.8 Примеры гистограмм трех КТ-сканов из нашего датасета..............61

2.9 Пример сегментации корня аорты........................................65

3.1 Схема пайплайна мультиклассовой сегментации аорты..................70

3.2 Схема модуля сегментации..................................................71

3.3 Схема алгоритма построения pathline......................................71

3.4 Пример построенного pathline..............................................72

3.5 Пример слайса КТ-скана z................................................73

3.6 Графики функции потерь при обучении (до процедуры "дообучения")................................ 78

3.7 Графики функции потерь при обучении (до процедуры "дообучения")................................ 78

3.8 Графики функции потерь при обучении SegResNet (до процедуры "дообучения")................................ 78

3.9 Графики функции потерь при обучении ТЖЕТИ (до процедуры "дообучения")................................ 79

3.10 Графики функции потерь при обучении 8"шп1ШЕТ11 (до

процедуры "дообучения")......................... 79

3.11 Пример работы пайплайна мультиклассовой сегментации на конкретном клиническом случае..................... 80

Список таблиц

1 Предложенные в литературе подходы к семантической сегментации аорты и соответствующие оценки коэффициента сходства Dice (DSC), полученные на различных наборах данных. Примечания: Значения DSC показывают, насколько метод хорошо сегментирует только класс аорты. Названия наборов данных из источников сохранены.................................. 20

2 Основные характеристики датасета клиники им. Пирогова Санкт-Петербургского государственного университета. В таблице использованы сокращения: ВО - восходящая аорта; КА - корень аорты; EV - ожидаемое значение; SD - стандартное отклонение.; . . 24

3 Эксперимент Synapse. Значения DSC и IoU нейросетевых методов на полном датасете. Функция кросс-энтропии использовалась в качестве функции потерь......................... 33

4 Эксперимент Synapse. Значения DSC и IoU нейросетевых методов на полном датасете. Функция focal использовалась в качестве функции потерь............................... 34

5 Эксперимент Synapse. Значения DSC и IoU нейросетевых методов на полном датасете. Функция ohem использовалась в качестве функции потерь............................... 36

6 Эксперимент Synapse. Значения метрик DSC кодеров, усредненные по декодерам, обученным на трех различных функциях потерь. Столбец "avg" заполнен значениями, полученными путем усреднения соответствующих значений DSC из столбцов bce, focal и ohem..................................... 38

7 Эксперимент SegThor. Значения DSC для выбранных методов нейронной сети на основе полного набора данных и

кросс-валидации. В столбце "avg" записаны усредненные значения результатов fold, полученные с помощью перекрестной проверки. В качестве функции потерь использовалась кросс-энтропия....... 39

8 Эксперимент на нашем датасете. Значения DSC для выбранных методов нейронной сети на основе полного набора данных и кросс-валпдацип. В столбце "avg" записаны усредненные значения результатов fold, полученные с помощью перекрестной проверки. В качестве функции потерь использовалась кросс-энтропия....... 39

9 DSC метрика сегментации всей аорты и корня аорты с помощью трехмерных нейросетевых методов.................... 64

10 Метрики DSC результатов сегментации отделов аорты профильными методами.......................... 77