ЖҮРЕК-ҚАНТАМЫР АУРУЛАРЫ БАР ПАЦИЕНТТЕРДІ БИОМЕДИЦИНАЛЫҚ КЕСКІНДЕРДІ ТАЛДАУ НЕГІЗІНДЕ АВТОМАТТЫ МОНИТОРИНГТЕУ ЖҮЙЕСІН ӘЗІРЛЕУ ЖӘНЕ ВАЛИДАЦИЯЛАУ
https://doi.org/10.53360/2788-7995-2026-2(22)-7
Аңдатпа
Жүрек-қантамыр аурулары өлім-жітімнің жетекші себептерінің бірі болып қала береді, бұл кардиологиялық кескіндерді талдаудың тұрақты әдістерін және пациенттерді мониторингтеу жүйелерін әзірлеудің өзектілігін айқындайды. Осы жұмыста ғылыми жоба (IRN: AP05132044) аясында әзірленген биомедициналық кескіндерді автоматтандырылған алдын ала өңдеу және сегментациялау жүйесі ұсынылып, валидтелді. Эксперименттік протокол ашық Heart Database деректер жиыны негізінде (18 пациент, 3D+t МРТ) жүзеге асырылды, бағалау үшін эндокардтың сараптамалық маскалары және 36 кесінді (диастола/систола) пайдаланылды. Бағалау PSNR, SSIM, Dice және IoU метрикалары бойынша жүргізілді. Салыстырмалы талдау алдын ала өңдеудің бес режимін қамтыды: none, Gaussian, wavelet, NLM және hybrid (wavelet + NLM + CLAHE). Нәтижелер NLM әдісінің шу басу сапасы бойынша ең жоғары көрсеткішке ие екенін көрсетті (PSNR = 26,07±0,33 dB, ал baseline үшін 22,85±0,21 dB, p=1,46·10⁻¹¹, Уилкоксон критерийі), ал сегментацияның ең жоғары дәлдігі hybrid-алдын ала өңдеу кезінде байқалды (Dice = 0,681±0,176, ал алдын ала өңдеусіз 0,636±0,153, p=0,018). «Күрделі жағдайларды» талдау сегментация сапасының эндокард контрастына және жүрек циклі фазаларындағы геометриялық күрделілікке тәуелді екенін көрсетті. Алынған нәтижелер алдын ала өңдеу кезеңінің downstream-сегментация сапасына статистикалық тұрғыдан маңызды әсер ететінін көрсетеді және «алдын ала өңдеу-сегментация-бағалау» кешенді конвейерін клиникалық мониторинг жүйелерін әзірлеудің инженерлік негізі ретінде қолданудың орынды екенін дәлелдейді. Ұсынылған тәсіл нақты деректердің гетерогенділігі жағдайында тұрақты және қайта өндірілуі мүмкін жұмысқа бағытталған және оны клиникалық ақпараттық жүйелерге одан әрі енгізудің негізі ретінде қарастыруға болады.
Авторлар туралы
М. Кабдуллин
Satbayev University
Қазақстан
Қазақстан
Максат Кабдуллин,
050013, Алматы қ., Сәтбаев көшесі, 22
Л. Найзабаева
International IT University
Қазақстан
Қазақстан
Лязат Найзабаева – техника ғылымдарының докторы, зерттеуші профессор, «Ақпараттық жүйелер» кафедрасы,
050040, Алматы қ., Манас көшесі, 34/1
S. A.R. Al-Haddad
Universiti Putra Malaysia
Малайзия
Малайзия
Syed Abdul Rahman Al-Haddad – профессор, компьютерлік және байланыс жүйелері кафедрасы, инженерлік факультет,
Селангор, 43400 UPM Serdang
А. Кабдуллин
050013, Satbayev University
Қазақстан
Қазақстан
Азат Кабдуллин – зерттеуші-оқытушы, «Ақпараттық жүйелер» кафедрасы,
Алматы қ., Сәтбаев көшесі, 22
А Исаева
Қазақстан Республикасы Президенті Іс басқармасы Медициналық орталығының Ұлттық госпиталі
Қазақстан
Қазақстан
Асия Исаева – Инновациялар және білім беру орталығының жетекшісі,
050000, Алматы қ., Бәйсейітова көшесі, 16
Әдебиет тізімі
1. World Health Organization. Cardiovascular diseases (CVDs), 2025. Available: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds).
2. 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.
3. 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.
4. 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.
5. 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).
6. 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.
7. 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.
8. 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.html
9. 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.
10. 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.
11. 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.
12. 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.
13. 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.
14. 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.
15. 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.
16. 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.
17. 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.
18. 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.
19. 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.
20. 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).
21. 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).
22. 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).
Рецензия
Дәйектеу үшін:
Кабдуллин М., Найзабаева Л., Al-Haddad S.A., Кабдуллин А., Исаева А. ЖҮРЕК-ҚАНТАМЫР АУРУЛАРЫ БАР ПАЦИЕНТТЕРДІ БИОМЕДИЦИНАЛЫҚ КЕСКІНДЕРДІ ТАЛДАУ НЕГІЗІНДЕ АВТОМАТТЫ МОНИТОРИНГТЕУ ЖҮЙЕСІН ӘЗІРЛЕУ ЖӘНЕ ВАЛИДАЦИЯЛАУ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 2026;(2(22)):71-80. https://doi.org/10.53360/2788-7995-2026-2(22)-7
For citation:
Kabdullin M., Найзабаева Л., Al-Haddad S.A., Kabdullin A., Issayeva A. DEVELOPMENT AND VALIDATION OF A PROTOTYPE PIPELINE FOR BIOMEDICAL IMAGE ANALYSIS IN CARDIOVASCULAR MONITORING. Bulletin of Shakarim University. Technical Sciences. 2026;(2(22)):71-80. https://doi.org/10.53360/2788-7995-2026-2(22)-7
Қараулар:
6
JATS XML
Мақаланы эл. пошта арқылы жіберу 
