Koniukhov, V. D.Morgun, O. M.Nemchenko, K. E.Конюхов, В. Д.Моргун, О. М.Нємченко, К. Е.2025-12-102025-12-102024https://eir.zp.edu.ua/handle/123456789/25454Koniukhov V. D. Impact of preprocessing and comparison of neural network ensemble methods for segmentation of the thoracic spine in X-ray images / V. D. Koniukhov, O. M. Morgun, K. E. Nemchenko // Радіоелектроніка, інформатика, управління. – 2024. – № 4 (71). – C. 102-112.UK: Актуальність. Автоматична сегментація медичних знімків відіграє важливу роль у процесі автоматизації визначення захворювань різного роду області хребта, а використання рентгенографії є найдоступнішим засобом передбачення захворювань. За багато років було проведено безліч досліджень на тему сегментації зображень. Одним із багатьох методів покращення сегментації зображень є застосування ансамблів нейронних мереж. Метою даного дослідження було розглянути вплив попередньої обробки зображень та вивчити і порівняти головні методи ансамблів нейронних мереж та їх вплив на сегментацію області хребта, в даному дослідженні розглядалася область яка складається з хребців: Th8, Th9, Th10, Th11. Метод. Для початку було розглянуто вплив попередньої обробки рентгенівських зображень, яка включала в себе наступні методи: вирівнювання гістограми для поліпшення контрасту, адаптивне вирівнювання гістограми з обмеженням контрасту, метод логарифмічного перетворення, медіанний фільтр, Гауссово згладжування. Для вивчення впливу ансамблю нейронних мереж на якість сегментації використовувалися такі методи: метод усереднення – найпростіший метод половинного усереднення; зважене усереднення – покращена версія методу усереднення, яка використовує ваги для кожної мережі, чим більша вага мережі – тим більший її вплив на усереднення; метод усереднення усереднених зображень – модифікований метод усереднення в якому кожен ансамбль отримує усереднене зображення, після чого всі результати ансамблів усереднюються; метод усереднення мереж навчених на різних даних – використовується n мереж, навчальна вибірка розбивається на n частин, кожна нейронна мережа навчається на своїй підмножині даних, в результаті для передбачень використовується звичайний метод усереднення; метод усереднення для великої кількості мереж – у цьому методі було навчено 100 нейронних мереж, після чого використовувався звичайний метод усереднення; метод усереднення контурів – даний метод усереднює всі контури в результаті чого виходить один середній контур. Результати. Було досліджено, що застосування різних методів попередньої обробки зображень не гарантує поліпшення якості сегментації області хребта на рентгенівських знімках, а навіть навпаки погіршує якість сегментації. Були розглянуті різні методи об’єднання передбачень ансамблів нейронних мереж, що дало можливість дізнатися плюси та мінуси конкретних методів для завдання сегментації рентгенівських знімків. Висновки. Проведені експерименти дали можливість зробити висновок, що застосування будь-яких методів попередньої обробки не варто використовувати для сегментації рентгенівських знімків. Також завдяки великій кількості архітектур і методів об’єднання передбачень було вивчено поведінку ансамблевих методів що дозволить надалі визначити необхідний підхід для сегментації рентгенівських знімків. Подальше вивчення методу зваженого усереднення і методу усереднення форм масок дасть можливість поліпшити отриманий результат і досягти ще більшого успіху в сегментації. EN: Context. Automatic segmentation of medical images plays an important role in the process of automating the detection of various diseases in the spine and the use of radiography is the most accessible means of predicting diseases. Over the years many studies have been conducted on the topic of image segmentation. One of the many methods for improving image segmentation is the use of neural network ensembles. Objective. The aims of this study were to investigate the impact of preprocessing and compare the main methods of neural network ensembles and their effect on the segmentation of the thoracic region, in this study the area was considered which consists of the vertebrae: Th8, Th9, Th10, Th11. Method. To begin with, the influence of preprocessing of X-ray images was considered, which included the following methods: histogram equalization for contrast enhancement, contrast-limited adaptive histogram equalization, logarithmic transform method, median filter, Gaussian filter, and bilateral filter. To study the influence of neural network ensemble on segmentation quality, several methods were used. Averaging method – a simple half-averaging method. Weighted averaging method – an improved version of the averaging method which uses weights for each network, the higher the network weight, the greater its influence on averaging. Method of cumulative averaging – a modified averaging method in which each ensemble receives an averaged image, after which all the results of the ensembles are averaged. Bagging – method of averaging networks trained on different data, n networks are used, the training sample is divided into n parts, and each neural network is trained on its own subset of data, as a result, the averaging method is used for predictions. Averaging method for a large number of networks – in this method, 100 neural networks were trained, after which the averaging method was used. Method of averaging mask shapes – this method uses a distance transform to average multiple masks into one shape average. Results. It was investigated that the use of different methods of image preprocessing does not guarantee an improvement in the quality of segmentation of the spine region on X-ray images, but even on the contrary worsens the quality of segmentation. Different methods of combining predictions of neural network ensembles were considered, which made it possible to find out the pros and cons of specific methods for the task of segmentation of X-ray images. Conclusions. The experiments conducted allowed us to conclude that the use of any preprocessing methods should not be used for segmentation of X-ray images. Also, due to a large number of architectures and methods for combining predictions, the behavior of ensemble methods was studied, which will allow us to further determine the necessary approach for segmentation of X-ray images. Further study of the weighted averaging method and the mask shape averaging method will make it possible to improve the obtained result and achieve even greater success in segmentation.enmachine learning; image recognition; neural network; image segmentation, computer visionмашинне навчання, розпізнавання образів, нейронна мережа, сегментація зображення, комп’ютерний зірArticle