kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2026-2(22)-7kaz44-2651Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИРАЗРАБОТКА И ВАЛИДАЦИЯ СИСТЕМЫ АВТОМАТИЧЕСКОГО МОНИТОРИНГА ПАЦИЕНТОВ С СЕРДЕЧНО-СОСУДИСТЫМИ ЗАБОЛЕВАНИЯМИ НА ОСНОВЕ АНАЛИЗА БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙDEVELOPMENT AND VALIDATION OF A PROTOTYPE PIPELINE FOR BIOMEDICAL IMAGE ANALYSIS IN CARDIOVASCULAR MONITORINGhttps://orcid.org/0000-0002-7320-6259КабдуллинМ.KabdullinM.

Максат Кабдуллин,

050013, г. Алматы, ул. Сатпаева, 22

Maxat Kabdullin,

050013, Almaty 22 Satbayev Street

m.kabdullin@satbayev.universityhttps://orcid.org/0000-0002-4860-7376НайзабаеваЛ.НайзабаеваЛязат

Лязат Найзабаева – доктор технических наук, профессор-исследователь кафедры «Информационные системы», 

050040, г. Алматы, ул. Манаса, 34/1

Lyazat Naizabayeva – Doctor of Technical Sciences, Research Professor, Department of Information Systems, 

050040, Almaty 34/1 Manasa Street

l.naizabayeva@edu.iitu.kzhttps://orcid.org/0000-0001-5522-5096Al-HaddadS. A.R.Al-HaddadS. A.R.

Syed Abdul Rahman Al-Haddad – профессор, кафедра компьютерных и коммуникационных систем, инженерный факультет, 

Селангор, 43400 UPM Serdang

Syed Abdul Rahman Al-Haddad – Professor, Department of Computer and Communication Systems Engineering, Faculty of Engineering, 

Selangor, 43400 UPM Serdang

sar@upm.edu.myhttps://orcid.org/0000-0001-5589-2542КабдуллинА.KabdullinA.

Азат Кабдуллин – преподаватель-исследователь кафедры «Информационные системы», 

050013, г. Алматы, ул. Сатпаева, 22

Azat Kabdullin – Research Lecturer, Department of Information Systems, 

050013, Almaty 22 Satbayev Street

a.kabdullin@satbayev.universityhttps://orcid.org/0000-0003-1673-3965ИсаеваА.IssayevaAsiya

Асия Исаева – руководитель Центра инноваций и образования, 

050000, г. Алматы, ул. Байсеитовой, 16

Asiya Issayeva – Head of the Center for Innovation and Education, 

050000, Almaty 16 Baiseitova Street

issayeva_a@snh.kzSatbayev UniversityКазахстанSatbayev UniversityKazakhstanInternational IT UniversityКазахстанInternational IT UniversityKazakhstanUniversiti Putra MalaysiaМалайзияUniversiti Putra MalaysiaMalaysiaНациональный госпиталь Медицинского центра Управления делами Президента РеспубликиКазахстанNational Hospital of the Medical Center of the President's Affairs Administration of the Republic of KazakhstanKazakhstan20262907202602(22)7180Copyright © Кабдуллин М., Найзабаева Л., Al-Haddad S.A., Кабдуллин А., Исаева А., 20262026Кабдуллин М., Найзабаева Л., Al-Haddad S.A., Кабдуллин А., Исаева А.Kabdullin M., Найзабаева Л., Al-Haddad S.A., Kabdullin A., Issayeva A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/2651

Сердечно-сосудистые заболевания остаются ведущей причиной смертности, что определяет актуальность разработки устойчивых методов анализа кардиологических изображений и систем мониторинга пациентов. В работе представлен и валидирован интегрированный прототип конвейера и сегментации биомедицинских изображений, разработанная в рамках научного проекта (IRN: AP05132044). Экспериментальный протокол реализован на открытом наборе данных Heart Database (18 пациентов, 3D+t МРТ) с использованием экспертных масок эндокарда и 36 срезов (диастола/систола). Оценка качества проводилась по метрикам PSNR, SSIM, Dice и IoU. Сравнительный анализ включал пять режимов предобработки: none, Gaussian, wavelet, NLM и hybrid (wavelet + NLM + CLAHE). Показано, что метод NLM обеспечивает наилучшее качество шумоподавления (PSNR = 26,07±0,33 dB против 22,85±0,21 dB для baseline, p=1,46·10⁻¹¹, критерий Уилкоксона), тогда как максимальная точность сегментации достигается при hybrid-предобработке (Dice = 0,681±0,176 против 0,636±0,153 без предобработки, p=0,018). Проведён анализ «трудных» случаев, выявивший зависимость качества сегментации от контрастности эндокарда и геометрической сложности в различных фазах сердечного цикла. Полученные результаты демонстрируют статистически значимое влияние этапа предобработки на качество downstream-сегментации и подтверждают целесообразность использования комплексного конвейера «предобработка-сегментация-оценка» как инженерной основы для разработки систем клинического мониторинга. Предложенный подход ориентирован на воспроизводимую работу в условиях реальной неоднородности данных и может быть использован в качестве основы для дальнейшей интеграции в клинические информационные системы.

Cardiovascular diseases remain the leading cause of mortality, which determines the relevance of developing robust methods for cardiac image analysis and patient monitoring. This paper presents and validates a prototype pipeline for automated preprocessing and segmentation of biomedical images, developed within the framework of a scientific project (IRN: AP05132044). The experimental protocol is implemented on the Heart Database dataset (18 patients, 3D+t MRI (three-dimensional with time dimension)), using expert endocardial masks and 36 slices (diastole/systole, 2 slices per patient). Performance evaluation was conducted using PSNR, SSIM, Dice, and IoU metrics. A comparative analysis was performed across five preprocessing modes: none, Gaussian, wavelet, NLM, and hybrid (wavelet + NLM + CLAHE). The results show that the NLM method achieves the best denoising performance (PSNR = 26.07±0.33 dB vs. 22.85±0.21 dB for the baseline, p = 1.46×10⁻¹¹, Wilcoxon test), while the highest segmentation accuracy is obtained with hybrid preprocessing (Dice = 0.681±0.176 vs. 0.636±0.153 without preprocessing, p = 0.018). An analysis of challenging cases revealed that segmentation performance is strongly influenced by endocardial contrast and geometric complexity across different phases of the cardiac cycle. The obtained results demonstrate a statistically significant impact of the preprocessing stage on downstream segmentation quality and confirm the feasibility of the integrated “preprocessing-segmentation-evaluation” pipeline as an engineering foundation for clinical frameworks. The proposed approach is designed for reproducible performance under real-world data heterogeneity and can serve as a basis for further integration into clinical information systems.

биомедицинские изображениякардиологический мониторингглубокое обучениесегментация сердцашумоподавлениефракция выбросаудаленное здравоохранениеbiomedical imagescardiac monitoringdeep learningheart segmentationdenoisingejection fractionremote healthcareThis research has been funded by the Science Committee of the Ministry of Science and Higher Education of the Republic of Kazakhstan (grant: №AP25794129 «Development of an Algorithm for Filtering and Preprocessing Biomedical Images for Cardiology Diagnostics»).ReferencesWorld Health Organization. Cardiovascular diseases (CVDs), 2025. Available: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds).World Health Organization. Cardiovascular diseases (CVDs), 2025. Available: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds).A survey on deep learning in medical image analysis / G. Litjens et al // Medical Image Analysis. – 2017. – Vol. 42. – P. 60-88. https://doi.org/10.1016/j.media.2017.07.005.A survey on deep learning in medical image analysis / G. Litjens et al // Medical Image Analysis. – 2017. – Vol. 42. – P. 60-88. https://doi.org/10.1016/j.media.2017.07.005.Shen D. Deep Learning in Medical Image Analysis / D. Shen, G. Wu, H.-I. Suk // Annual Review of Biomedical Engineering. – 2017. – Vol. 19. – P. 221-248. https://doi.org/10.1146/annurev-bioeng071516-044442.Shen D. Deep Learning in Medical Image Analysis / D. Shen, G. Wu, H.-I. Suk // Annual Review of Biomedical Engineering. – 2017. – Vol. 19. – P. 221-248. https://doi.org/10.1146/annurev-bioeng071516-044442.A guide to deep learning in healthcare / A. Esteva et al // Nature Medicine. – 2019. – Vol. 25. – P. 24-29. https://doi.org/10.1038/s41591-018-0316-z.A guide to deep learning in healthcare / A. Esteva et al // Nature Medicine. – 2019. – Vol. 25. – P. 24-29. https://doi.org/10.1038/s41591-018-0316-z.Ronneberger O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // MICCAI. – 2015. – Р. 234-241. https://arxiv.org/abs/1505.04597 (accessed: 25.03.2026).Ronneberger O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // MICCAI. – 2015. – Р. 234-241. https://arxiv.org/abs/1505.04597 (accessed: 25.03.2026).UNet++: A Nested U-Net Architecture for Medical Image Segmentation / Z. Zhou et al // DLMIA/ML-CDS. – 2018. – Р. 3-11. https://doi.org/10.1007/978-3-030-00889-5_1.UNet++: A Nested U-Net Architecture for Medical Image Segmentation / Z. Zhou et al // DLMIA/ML-CDS. – 2018. – Р. 3-11. https://doi.org/10.1007/978-3-030-00889-5_1.nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation / F. Isensee et al // Nature Methods. – 2021. – vol. 18. – Р. 203-211. https://doi.org/10.1038/s41592-020-01008-z.nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation / F. Isensee et al // Nature Methods. – 2021. – vol. 18. – Р. 203-211. https://doi.org/10.1038/s41592-020-01008-z.Segment Anything / A. Kirillov et al // ICCV. – 2023. – Р. 4015-4026. Available: https://openaccess.thecvf.com/content/ICCV2023/html/Kirillov_Segment_Anything_ICCV_2023_paper.htmlSegment Anything / A. Kirillov et al // ICCV. – 2023. – Р. 4015-4026. Available: https://openaccess.thecvf.com/content/ICCV2023/html/Kirillov_Segment_Anything_ICCV_2023_paper.htmlSegment anything in medical images / J. Ma et al // Nature Communications. – 2024. – vol. 15, Art. 654. https://doi.org/10.1038/s41467-024-44824-z.Segment anything in medical images / J. Ma et al // Nature Communications. – 2024. – vol. 15, Art. 654. https://doi.org/10.1038/s41467-024-44824-z.Video-based AI for beat-to-beat assessment of cardiac function / D. Ouyang et al // Nature. – 2020. – vol. 580. – Р. 252-256. https://doi.org/10.1038/s41586-020-2145-8.Video-based AI for beat-to-beat assessment of cardiac function / D. Ouyang et al // Nature. – 2020. – vol. 580. – Р. 252-256. https://doi.org/10.1038/s41586-020-2145-8.Deep Learning for Segmentation Using an Open Large-Scale Dataset in 2D Echocardiography / S. Leclerc et al // IEEE Transactions on Medical Imaging. – 2019. – vol. 38, № 9. – Р. 2198-2210. https://doi.org/10.1109/TMI.2019.2900516.Deep Learning for Segmentation Using an Open Large-Scale Dataset in 2D Echocardiography / S. Leclerc et al // IEEE Transactions on Medical Imaging. – 2019. – vol. 38, № 9. – Р. 2198-2210. https://doi.org/10.1109/TMI.2019.2900516.Topol E.J. High-performance medicine: the convergence of human and artificial intelligence / E.J. Topol // Nature Medicine. – 2019. – vol. 25. – Р. 44-56. https://doi.org/10.1038/s41591-018-0300-7.Topol E.J. High-performance medicine: the convergence of human and artificial intelligence / E.J. Topol // Nature Medicine. – 2019. – vol. 25. – Р. 44-56. https://doi.org/10.1038/s41591-018-0300-7.Secure, privacy-preserving and federated machine learning in medical imaging / G.A. Kaissis et al // Nature Machine Intelligence. – 2020. – vol. 2. – Р. 305-311. https://doi.org/10.1038/s42256-020- 0186-1.Secure, privacy-preserving and federated machine learning in medical imaging / G.A. Kaissis et al // Nature Machine Intelligence. – 2020. – vol. 2. – Р. 305-311. https://doi.org/10.1038/s42256-020- 0186-1.Holzinger A. Measuring the Quality of Explanations: The System Causability Scale (SCS) / A. Holzinger, A. Carrington, H. Müller // KI – Künstliche Intelligenz. – 2020. – vol. 34. – Р. 193-198. https://doi.org/10.1007/s13218-020-00636-z.Holzinger A. Measuring the Quality of Explanations: The System Causability Scale (SCS) / A. Holzinger, A. Carrington, H. Müller // KI – Künstliche Intelligenz. – 2020. – vol. 34. – Р. 193-198. https://doi.org/10.1007/s13218-020-00636-z.Tjoa E. A Survey on Explainable Artificial Intelligence (XAI): Toward Medical XAI / E. Tjoa, C. Guan // Information Fusion. – 2021. – vol. 79. – Р. 263-289. https://doi.org/10.1016/j.inffus.2021.10.006.Tjoa E. A Survey on Explainable Artificial Intelligence (XAI): Toward Medical XAI / E. Tjoa, C. Guan // Information Fusion. – 2021. – vol. 79. – Р. 263-289. https://doi.org/10.1016/j.inffus.2021.10.006.Kabdullin A. Optimizing Neural Network Performance to Predict Coronary Heart Disease, Proc. / A. Kabdullin, M. Kabdullin, L. Naizabayeva // IEEE SIST. – 2021. – Р. 1-4. https://doi.org/10.1109/SIST50301.2021.9465925.Kabdullin A. Optimizing Neural Network Performance to Predict Coronary Heart Disease, Proc. / A. Kabdullin, M. Kabdullin, L. Naizabayeva // IEEE SIST. – 2021. – Р. 1-4. https://doi.org/10.1109/SIST50301.2021.9465925.Multi-Centre, Multi-Vendor & Multi-Disease Cardiac Image Segmentation: The M&Ms Challenge / V.M. Campello et al // IEEE Transactions on Medical Imaging. – 2021. – vol. 40, № 12. – Р. 3543- 3554. https://doi.org/10.1109/TMI.2021.3090082.Multi-Centre, Multi-Vendor & Multi-Disease Cardiac Image Segmentation: The M&Ms Challenge / V.M. Campello et al // IEEE Transactions on Medical Imaging. – 2021. – vol. 40, № 12. – Р. 3543- 3554. https://doi.org/10.1109/TMI.2021.3090082.UNETR: Transformers for 3D Medical Image Segmentation, Proc. / A. Hatamizadeh et al // WACV. – 2022. – Р. 574-584. https://doi.org/10.1109/WACV51458.2022.00181.UNETR: Transformers for 3D Medical Image Segmentation, Proc. / A. Hatamizadeh et al // WACV. – 2022. – Р. 574-584. https://doi.org/10.1109/WACV51458.2022.00181.Image denoising by sparse 3-D transform-domain collaborative filtering / K. Dabov et al // IEEE Transactions on Image Processing. – 2007. – vol. 16, № 8. – Р. 2080-2095. https://doi.org/10.1109/TIP.2007.901238.Image denoising by sparse 3-D transform-domain collaborative filtering / K. Dabov et al // IEEE Transactions on Image Processing. – 2007. – vol. 16, № 8. – Р. 2080-2095. https://doi.org/10.1109/TIP.2007.901238.Noise2Noise: Learning Image Restoration without Clean Data / J. Lehtinen et al // ICML. – 2018. – Р. 2965-2974. Available: https://proceedings.mlr.press/v80/lehtinen18a/lehtinen18a.pdf (accessed: 25.03.2026).Noise2Noise: Learning Image Restoration without Clean Data / J. Lehtinen et al // ICML. – 2018. – Р. 2965-2974. Available: https://proceedings.mlr.press/v80/lehtinen18a/lehtinen18a.pdf (accessed: 25.03.2026).Krull A. Noise2Void – Learning Denoising From Single Noisy Images / A. Krull, T.-O. Buchholz, F. Jug // CVPR. – 2019. – Р. 2129-2137. Available: https://openaccess.thecvf.com/content_CVPR_2019/html/Krull_Noise2Void_-_Learning_Denoising_From_Single_Noisy_Images_CVPR_2019_paper.html (accessed: 25.03.2026).Krull A. Noise2Void – Learning Denoising From Single Noisy Images / A. Krull, T.-O. Buchholz, F. Jug // CVPR. – 2019. – Р. 2129-2137. Available: https://openaccess.thecvf.com/content_CVPR_2019/html/Krull_Noise2Void_-_Learning_Denoising_From_Single_Noisy_Images_CVPR_2019_paper.html (accessed: 25.03.2026).The Heart Database (3D+t cardiac MRI with expert and automated segmentations) / J. Cousty et al // Available: https://perso.esiee.fr/~dpt-it/a2si/heart/data/HeartDatabase.tgz (accessed: 25.03.2026).The Heart Database (3D+t cardiac MRI with expert and automated segmentations) / J. Cousty et al // Available: https://perso.esiee.fr/~dpt-it/a2si/heart/data/HeartDatabase.tgz (accessed: 25.03.2026).

The authors declare that there are no conflicts of interest present.