Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.25728/ubs.2026.121.9
Ключевые слова: Brain tumor segmentation, magnetic resonance imaging, U-Net, squeeze-and-excitation, medical imaging, deep learning, сегментация опухоли головного мозга, магнитно-резонансная томография, медицинская визуализация, глубокое обучение
Аннотация: Рассматривается задача повышения точности автоматической сегментации опухолей головного мозга на магнитно-резонансных изображениях, являющаяся актуальной в контексте повышения объективности и воспроизводимости медицинской диагностики. Предложен подход, основанный на модификации архитектуры нейронной сети типа U-Net путём интеграцииПоказать полностьюблоков сжатия и возбуждения, обеспечивающих адаптивное усиление информативных признаков. Выполнено исследование влияния различных стратегий размещения данных блоков в структуре сети, включая их внедрение до, после и между сверточными слоями, а также вариант без модификации. Обучение моделей проводилось на общедоступном наборе МРТ-изображений опухолей головного мозга с использованием двухэтапной процедуры оптимизации, сочетающей кросс-энтропию и функцию потерь на основе коэффициента Дайса. Экспериментальные результаты показали, что наилучшее качество сегментации достигается при размещении блока перед сверточными операциями, что обеспечивает улучшение полноты выделения опухолевых областей при сохранении высокой точности. Дополнительный анализ устойчивости модели к вариативности данных, включая стратификацию по типам опухолей и исключение отдельных подгрупп, подтвердил стабильность полученных результатов. Предложенная модификация архитектуры может быть использована для повышения эффективности систем медицинской сегментации. This paper addresses the problem of improving the accuracy of automatic brain tumor segmentation in magnetic resonance imaging, which is essential for enhancing the objectivity and reproducibility of medical diagnostics. A method based on the modification of the U-Net neural network architecture through the integration of squeeze-and-excitation blocks is proposed to enable adaptive recalibration of feature maps. The study investigates the effect of different strategies for incorporating these blocks into the network structure, including their placement before, after, and between convolutional layers, as well as the baseline configuration without modification. The models were trained on a publicly available dataset of brain tumor MRI images using a two-stage optimization procedure that combines cross-entropy loss and Dice-based loss. The experimental results demonstrate that placing the squeeze-and-excitation block before convolutional operations provides the best segmentation performance, improving tumor region detection completeness while maintaining high accuracy. Additional analysis of model robustness to data variability, including stratification by tumor type and exclusion of specific subgroups, confirms the stability of the obtained results. The proposed architectural modification can be applied to enhance the performance of medical image segmentation systems.
Журнал: Управление большими системами: сборник трудов
Выпуск журнала: № 121
Номера страниц: 176-203
ISSN журнала: 18192440
Место издания: Москва
Издатель: Институт проблем управления им. В.А. Трапезникова РАН