СЕГМЕНТАЦІЯ ПНЕВМОТОРАКСУ НА РЕНТГЕНОГРАМАХ ГРУДНОЇ КЛІТКИ: ПРОГРЕСИВНЕ ДОНАВЧАННЯ ТА УДОСКОНАЛЕННЯ ПРОГНОЗУ НА ОСНОВІ ПОРОГОВОЇ ОБРОБКИ

Анотація

У статті розглянуто практичний підхід до сегментації пневмотораксу на рентгенограмах органів грудної клітки з використанням згорткової архітектури нейронної мережі типу U-Net із попередньо натренованим енкодером. Оскільки рентгенографія залишається найдоступнішим методом візуалізації, а виявлення невеликих колапсів легені є складним навіть для фахівців, розробка таких систем є вкрай актуальною. Запропонована методика поєднує поетапне донавчання моделі з прогресивною зміною просторової роздільної здатності від 512×512 до 1024×1024. Процес оптимізації включає поступове розморожування енкодера нейронної мережі, циклічний графік швидкості навчання та послідовне застосування функцій втрат: weighted binary cross-entropy, soft Dice і symmetric Lovasz. Експериментальне дослідження організовано у три послідовні етапи. Спочатку за однакової схеми навчання порівнюються три варіанти архітектури нейронних мереж (енкодери): ResNet34, EfficientNet та SE-ResNeXt-50. На другому етапі для найкращої архітектури аналізується залежність якості сегментації від порога бінаризації карти ймовірностей. На третьому етапі модель оцінюється за спільного контролю порога впевненості та мінімальної кількості позитивних пікселів, де занадто малі маски примусово скидаються до порожніх. Це відображає специфіку протоколу оцінювання SIIM-ACR, у якому правильне передбачення порожньої маски для негативних випадків має вирішальний вплив на підсумковий показник Dice. Результати доводять, що серед розглянутих варіантів SE-ResNeXt-50 забезпечує найкращий баланс. В аналізі лише за порогом упевненості оптимальним є значення 0.70. Проте найкращий підсумковий результат досягається за комбінованої схеми: поріг упевненості 0.55 разом із мінімальним порогом позитивних пікселів 2000. Це ефективніше пригнічує хибнопозитивні дрібні області, не погіршуючи сегментацію значущих випадків. Отримані дані свідчать, що вибір робочої точки є невід’ємною складовою алгоритму сегментації, яку необхідно звітувати нарівні з архітектурою та деталями навчання.