А. Г. Назаренко, Е. Б. Клейменова, А. И. Молодченков, А. С. Пономарчук, Н. П. Герасимова, Е. С. Юрченкова, Л. П. Яшина, “Применение методов машинного обучения для анализа изображений хронических ран”, Искусственный интеллект и принятие решений, 2025, выпуск 1,страницы 103

Анализ сигналов, аудио и видео информации

Применение методов машинного обучения для анализа изображений хронических ран

А. Г. Назаренко^a, Е. Б. Клейменова^a, А. И. Молодченков^bc, А. С. Пономарчук^d, Н. П. Герасимова^a, Е. С. Юрченкова^a, Л. П. Яшина^a

^a Национальный медицинский исследовательский центр травматологии и ортопедии имени Н.Н. Приорова, Москва, Россия
^b Российский университет дружбы народов, Москва, Россия
^c Федеральный исследовательский центр «Информатика и управление» Российской академии наук, Москва, Россия
^d Национальный исследовательский университет "Высшая школа экономики", г. Москва

Аннотация: Нейронные сети и алгоритмы глубокого обучения все шире применяются в медицине, включая анализ изображений. В хирургии раны мягких тканей остаются актуальной проблемой, при этом измерение раневого дефекта необходимо для оценки течения раневого процесса и эффективности лечения. Использование цифровых изображений раны позволяет оценивать ее, не контактируя. Работа содержит результаты применения предобученных сетевых моделей (AlexNet, ResNet50, ResNet152, VGG16) для классификации изображений пролежней, как одного из видов хронических ран. Сегментационная модель Segment Anything Model (SAM) продемонстрировала точность 86,46% при решении задачи сегментации краев раневого дефекта и типов тканей в его пределах. Результаты исследований могут быть использованы для создания экспертной системы по анализу изображений ран мягких тканей.

Ключевые слова: искусственный интеллект, машинное обучение, распознавание изображений, пролежни, раны.

DOI: 10.14357/20718594250109