Извлечение характеристик симметрии мозга для автоматического выявления опухолей головного мозга на МРТ-изображениях
Автор: Камгуя Феукви Х.
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Медицинская информатика
Статья в выпуске: 2 (71) т.17, 2026 года.
Бесплатный доступ
В данном исследовании представлена автоматизированная и объясняемая система поддержки принятия решений для анализа медицинских изображений. Предлагаемый метод выявляет главную ось симметрии на изображениях МРТ головного мозга в оттенках серого, полученных с помощью метода FLAIR, путем выбора возможных осей вблизи центра масс мозга и оптимизации коэффициентов сходства Жаккара и косинуса. Затем изображения бинаризуются с помощью кластеризации FCM. Двусторонняя асимметрия количественно оценивается с помощью пяти взаимодополняющих метрик: метрики асимметрии Дайса и дисбаланса массы на бинарных изображениях, градиентной асимметрии, асимметрии интенсивности и структурной асимметрии (инвертированный SSIM) на изображениях в оттенках серого. Эти признаки классифицируются моделью CatBoost на онкологические и нормальные случаи, достигая площади под характеристической кривой (ROC-AUC) 89%, точности 80%, чувствительности 88% и F1-показателя 80%.
Анализ симметрии, коэффицент Жаккара, косинусный индекс, кластеризация методом нечетких С-средних
Короткий адрес: https://sciup.org/143186017
IDR: 143186017 | УДК: 004.932.72+004.832+616-073.75 | DOI: 10.25209/2079-3316-2026-17-2-295-326
Extraction of symmetrical brain characteristics for the automated detection of brain tumors in MRI images
This study presents an automated and explainable decision-support framework for medical image analysis. The proposed method detects the principal symmetry axis in grayscale FLAIR brain MRI images, using candidate axes near the brain's center of mass and optimizing Jaccard and cosine similarity. Images are then binarized via FCM clustering. Bilateral asymmetry is quantified through five complementary metrics: Dice asymmetry metric and mass imbalance on binary images, and gradient asymmetry, intensity asymmetry, and structural asymmetry (inverted SSIM) on grayscale images. These features are classified by a CatBoost model into cancerous and non-cancerous cases, achieving 89% ROC-AUC, 80% accuracy, 88% sensitivity, and an F1-score of 80%.
