УСОВЕРШЕНСТВОВАННАЯ АРХИТЕКТУРА КОНТЕКСТНОЙ РЕКОНСТРУКЦИИ ДЛЯ РОБАСТНОГО ОБНАРУЖЕНИЯ ОБЪЕКТОВ В УСЛОВИЯХ ЧАСТИЧНОГО ПЕРЕКРЫТИЯ

Хрюкин Е.А. Мартыненко Т.В. Васяева Т.А

Об авторах

Хрюкин Е.А. Мартыненко Т.В. Васяева Т.А

Хрюкин Евгений Александрович – аспирант кафедры автоматизированных систем управления ФГБОУ ВО «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артема, д. 58, Область научных интересов: математическое моделирование, цифровая обработка изображений, нейронные сети, искусственный интеллект. ORCID 0009-0001-2070-2371

Мартыненко Татьяна Владимировна – доцент, кандидат техниче ских наук, доцент кафедры автоматизированных систем управления ФГБОУ ВО «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артёма, 58. Область научных интересов: искусственный интеллект, методы оптимизации, глубокое обучение, цифровая обработка изображений. ORCID 0000-0002-1483-8483

Васяева Татьяна Александровна – доцент, кандидат технических наук, декан факультета информационных систем и технологий ФГБОУ ВО «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артёма, 58.. Область научны х интересов: анализ и прогнозирование временных рядов, эволюционные вычисления, глубокое обучение для компьютерного зрения, обработка естественного языка, проектирование мультимодальных AI-ассистентов. ORCID 0000-0001-9362-2279

Скачать PDF

УДК: 004.021+004.853
DOI: 10.24412/2413-7383-2026-2-41-26-39
Язык: Русский

Аннотация: В работе рассматривается задача агрегации результатов классификации фрагментов полнослайдовых медицинских изображений. Предложена модификация метода мешка слов – Weighted Bag-of-Words (WBoW), предназначенная для формирования информативного признакового представления на основе вероятностных предсказаний модели первичной классификации. Проведены экспериментальные исследования с использованием полнослайдовых изображений биопсии предстательной железы. Подтверждена эффективность предложенной модификации метода.

Ключевые слова: полнослайдовые изображения; классификация изображений; агрегация признаков; мешок слов; машинное обучение.

Список литературы

1. Shafi S. Parwani A.V. Artificial intelligence in diagnostic pathology. Diagn Pathol. 2023;18(1).109. DOI: 10.1186/s13000-023-01375-z.
2. Wei J.W. Tafe L.J. Linnik Y.A. Vaickus L.J. Tomita N. Hassanpour S. Pathologist‐level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks. Sci Rep. 2019;9(1).3358 DOI: 10.1038/s41598-019-40041-7. Х Хрюкин Е.А. Мартыненко Т.В. Васяева Т.А.
3. Применение искусственного интеллекта в патологической анатомии / Д. С. Швороб, Т. А. Васяева, Е. А. Хрюкин, А. В. Папакина // Сибирский журнал клинической и экспериментальной медицины. 2025. Т. 40, № 2. С. 211-217. DOI 10.29001/2073-8552-2025-40-2-211-217. EDN VCDXNM.
4. Litjens, G. Kooi, T. Bejnordi, B. E. et al. A survey on deep learning in medical image analysis. Medical Image Analysis, 2017, 42. Р. 60–88. DOI: 10.1016/j.media.2017.07.005.
5. Wong S.T. Is pathology prepared for the adoption of artificial intelligence? Cancer Cytopathol. 2018;126(6). Р. 373–375. DOI: 10.1002/cncy.21994.
6. Искусственный интеллект в диагностике рака предстательной железы / Попов Г.В. Чуб А.А. Лернер Ю.В. Цой Л.В. Дубинина А.В. Вар шавский В.А. // Архив патологии. 2021. №83(2). Р. 38–45. DOI: 10.17116/patol20218302138.
7. Gertych A. Swiderska‐Chadaj Z. Ma Z. Ing N. Markiewicz T. Cierniak S. et al. Convolutional neural networks can accurately distinguish four histologic growth patterns of lung adenocarcinoma in digital slides. Sci Rep. 2019. № 9(1). Р. 1483 DOI: 10.1038/s41598-018-37638-9.
8. Abdullah MMA Al -Omari и Abdullah Noman, «Bag of Visual Words Techniques for Content - Based Image Retrieval and the Role Using in Computer Vision Major: A Survey», сен. 2021, doi: 10.5281/zenodo.5448763.
9. Разработка комплексной методики для аннотирования изображений биопсии / Е. А. Хрюкин, Т. В. Мартыненко, Т. А. Васяева, Д. С. Швороб // Информатика и кибернетика. 2025. № 1(39). С. 33 -
10. EDN YHQUBX.
11. Хрюкин Е.А. Разработка комплекса программ для анализа медицинских изображений на основе математического моделирования / Хрюкин Е.А. Васяева Т.А. Швороб Д.С. // Материалы IХ Международной научно-технической конференции «Современные информационные технологии в образовании и научных исследованиях» «СИТОНИ-2025» (Донецк, 20 ноября 2025 г.) – Донецк: Изд-во ДонНТУ, 2025. Т. 1. С. 152-157.
12. Dubey Dhanraj Shevendrakumar. A STUDY ON DENSITY BASED SPATIAL CLUSTERING OF APPLICATIONS WITH NOISE. ScienceOpen Posters. 2023. DOI: 10.14293/P2199 -8442.1.SOP -.PQUWPP.v1
13. Nguyen TH, Sridharan S, Macias V, Kajdacsy-Balla A, Melamed J, Do MN et al. Automatic Gleason grading of prostate cancer using quantitative phase imaging and machine learning. J Biomed Opt. 2017. 22(3). Р. 36015. DOI: 10.1117/1.JBO.22.3.036015.
14. Применение искусственного интеллекта в молекулярной и генетической диагностике рака простаты / Морозов А.О. Базаркин А.К. Вовденко С.В. Тараткин М.С. Балашова М.С. Еникеев Д.В. // Вестник урологии. 2024;12(1). Р. 117–130. DOI: 10.21886/2308 -6424-2024-12-1-117-130.
15. Бабичева, М. В. Автоматизация процедуры распознавания фальшивых изображений посредством нейронных сетей / М. В. Бабичева, И. А. Третьяков // Проблемы искусственного интеллекта. 2025. № 1(36). С. 94-105. DOI 10.24412/2413-7383-94-105. EDN GNSJQU.
16. Jocher G. Qiu J. Ultralytics YOLO11 [Электронный ресурс] / G. Jocher, J. Qiu. Version 11.0.0. Ultralytics, 2024. Режим доступа: https://docs.ultralytics.com/models/yolo11/
17. Швороб, Д. С. Автоматизированная система диа гностики аденокарциномы предстательной железы на базе искусственного интеллекта / Д. С. Швороб, Е. А. Хрюкин // Клиническая и экспериментальная морфология. 2025. Т. 14, № 6. С. 71 -78. DOI 10.31088/ CEM2025.14.6.71 -78. EDN DOEHOG.
18. OpenCV Documentation. Open Source Computer Vision Library. Интернет-ресурс. Режим доступа: www/ URL: https://docs.opencv.org/.
19. Large-Image Documentation. Kitware, Inc. https://doi.org/10.5281/zenodo.14624225 Интернет-ресурс. - Режим доступа: www/ URL: https://girder.github.io/large_image/
20. Зуев, В. М. Ортогонализация весовых коэффициентов нейросети / В. М. Зуев // Проблемы искусствен ного интеллекта. 2025. № 1(36). С. 135 -140. DOI 10.24412/2413 -7383-135-140. EDN CRADNZ.
21. Bulten W, Kartasalo K, Chen PC, Ström P, Pinckaers H, Nagpal K et al. Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge. Nat Med. 2022. 28(1). Р. 154–63. DOI: 10.1038/s41591-021-01620-2.
22. Никитенко, К. А. Интерпретируемость нейросемантических моделей при их применении в прикладных областях / К. А. Никитенко, А. В. Звягинцева // Проблемы искусственного интеллекта. 2025. № 2(37). С. 79-90. DOI 10.24412/2413-7383-2025-2-37-79-90. EDN VFRDWH.
23. Каспаров, Ю. А. Обучение моделей компьютерного зрения для задачи детекции и сегментации стволовых клеток / Ю. А. Каспаров, В. М. Зуев // Проблемы искусственного интеллекта. 2025. № 3(38). С. 183-189. DOI 10.24412/2413-7383-2025-3-38-183-189. EDN KQRFEV.
24. Применение ансамблей нейронных сетей типа Lenet-5 для диагностирования пневмонии на рентгеновских изображениях легких / Д. Н. Тумаков, А. Р. Бердигулов, Д. И. Хайруллина, И. И. Бариев // Проблемы искусственного интеллекта. 2025. № 3(38). С. 34-50. DOI 10.24412/2413- 7383-2025-3-38-34-50. EDN URVNAV.

Выпуск: 2(41)'2026
Раздел: МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ЧИСЛЕННЫЕ МЕТОДЫ И КОМПЛЕКСЫ ПРОГРАММ
Как цитировать: Хрюкин Е.А. Мартыненко Т.В. Васяева Т.А. УСОВЕРШЕНСТВОВАННАЯ АРХИТЕКТУРА КОНТЕКСТНОЙ РЕКОНСТРУКЦИИ ДЛЯ РОБАСТНОГО ОБНАРУЖЕНИЯ ОБЪЕКТОВ В УСЛОВИЯХ ЧАСТИЧНОГО ПЕРЕКРЫТИЯ // Проблемы искусственного интеллекта. - 2026. - № 2 (41). - С. 26-39. - https://paijournal.guiaidn.ru/ru/2026/2(41)-3.html

Назад к выпуску 2(41)'2026