РАЗРАБОТКА И ВАЛИДАЦИЯ СИСТЕМЫ АВТОМАТИЧЕСКОГО МОНИТОРИНГА ПАЦИЕНТОВ С СЕРДЕЧНО-СОСУДИСТЫМИ ЗАБОЛЕВАНИЯМИ НА ОСНОВЕ АНАЛИЗА БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ

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.

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).