РАЗРАБОТКА И ВАЛИДАЦИЯ СИСТЕМЫ АВТОМАТИЧЕСКОГО МОНИТОРИНГА ПАЦИЕНТОВ С СЕРДЕЧНО-СОСУДИСТЫМИ ЗАБОЛЕВАНИЯМИ НА ОСНОВЕ АНАЛИЗА БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ
https://doi.org/10.53360/2788-7995-2026-2(22)-7
Аннотация
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.
Об авторах
М. Кабдуллин
Satbayev University
Казахстан
Казахстан
Максат Кабдуллин,
050013, г. Алматы, ул. Сатпаева, 22
Л. Найзабаева
International IT University
Казахстан
Казахстан
Лязат Найзабаева – доктор технических наук, профессор-исследователь кафедры «Информационные системы»,
050040, г. Алматы, ул. Манаса, 34/1
S. A.R. Al-Haddad
Universiti Putra Malaysia
Малайзия
Малайзия
Syed Abdul Rahman Al-Haddad – профессор, кафедра компьютерных и коммуникационных систем, инженерный факультет,
Селангор, 43400 UPM Serdang
А. Кабдуллин
Satbayev University
Казахстан
Казахстан
Азат Кабдуллин – преподаватель-исследователь кафедры «Информационные системы»,
050013, г. Алматы, ул. Сатпаева, 22
А. Исаева
Национальный госпиталь Медицинского центра Управления делами Президента Республики
Казахстан
Казахстан
Асия Исаева – руководитель Центра инноваций и образования,
050000, г. Алматы, ул. Байсеитовой, 16
Список литературы
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
Для цитирования:
Кабдуллин М., Найзабаева Л., Al-Haddad S.A., Кабдуллин А., Исаева А. РАЗРАБОТКА И ВАЛИДАЦИЯ СИСТЕМЫ АВТОМАТИЧЕСКОГО МОНИТОРИНГА ПАЦИЕНТОВ С СЕРДЕЧНО-СОСУДИСТЫМИ ЗАБОЛЕВАНИЯМИ НА ОСНОВЕ АНАЛИЗА БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ. Вестник Университета Шакарима. Серия технические науки. 2026;(2(22)):71-80. https://doi.org/10.53360/2788-7995-2026-2(22)-7
For citation:
Kabdullin M., Naizabayeva L., 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
Просмотров:
333
JATS XML
Послать статью по эл. почте 
