Классификация поверхностей в 3D-модели желудочков сердца методами машинного обучения

В работе развивается подход для классификации поверхностей желудочков сердца на полигональной поверхностной сетке в условиях небольших наборов данных. Рассматриваемая задача сводится к задаче многоклассовой классификации точки на поверхности сетки. Каждая вершина полигональной сетки кодируется ее окрестностью с помощью функции расстояния со знаком и передается на вход модели машинного обучения. В ходе исследования проведено сравнение моделей машинного обучения (нейронные сети с архитектурами FCNN, U-Net, ResNet и классификаторы, содержащиеся в пакете scikit-learn). Предложена метрика для оценки качества классификации с точки зрения построения бивентрикулярной координатной системы. Предложен детерминированный графовый алгоритм для исправления потенциальных ошибок классификации. Наиболее эффективными для решения задачи классификации оказались FCNN, U-Net и ResNet-50. С точки зрения практической применимости выделены модели RF и SVC-SGD, не требующие значительных вычислительных мощностей и графических ускорителей, но предоставляющие удовлетворительную точность классификации и скорость работы