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.
Скачать PDF статьи с сайта Российского центра научной информации (по подписке): https://journals.rcsi.science/2071-8594/article/view/293506
РИНЦ: https://elibrary.ru/item.asp?id=80493705
Math-Net.Ru: https://www.mathnet.ru/rus/iipr621
Назаренко А. Г., Клейменова Е. Б., Молодченков А. И., Пономарчук А. С., Герасимова Н. П., Юрченкова Е. С., Яшина Л. П. Применение методов машинного обучения для анализа изображений хронических ран // Искусственный интеллект и принятие решений. — 2025. — №. 1. – С. 103–114.