Все статьи автора в журнале: Аксенов С.В.

1. Сегментация изображений при диагностике рака прямой кишки с помощью сети U-Net на основе глубокой разделительной конволюции

   Image segmentation for rectal cancer diagnosis by using u-net based on deep separable convolution

   Номер: 2026 / 05

   Юйцянь Ван | YUytsyan Van | Аксенов С.В. | Aksenov S.V. | yuycyan1@tpu.ru, axyonov@tpu.ruyuycyan1@tpu.ru, axyonov@tpu.ru

   Авторы статьи

   Authors

   Юйцянь Ван

   YUytsyan Van

   Аксенов С.В.

   Aksenov S.V.

   yuycyan1@tpu.ru, axyonov@tpu.ru

   yuycyan1@tpu.ru, axyonov@tpu.ru

   ---

   Сегментация изображений при диагностике рака прямой кишки с помощью сети U-Net на основе глубокой разделительной конволюции

    

   УДК 004.912 + 004.8

   DOI 10.36652/0869-4931-2026-80-5-222-229

    

   Ручная диагностика рака прямой кишки требует большого объема работы и, следовательно, подвержена субъективным ошибкам. Предлагается усовершенствованный метод сегментации опухолей прямой кишки с помощью сети U-Net: DS-UNet (Depthwise separable convolution U-Net), которая сочетает в себе свертку с разделением по глубине и U-Net-сеть. Замена операции свертки в части извлечения сети на свертку с разделением по глубине увеличивает глубину сети для полного изучения деталей изображения, что улучшает способность модели к извлечению признаков. Функция потерь DiceLoss используется вместо кросс-энтропии для оптимизации параметров сети, решения проблемы дисбаланса выборки, обеспечения более высокой чувствительности и способности к обобщению. Результаты экспериментов показывают, что точность сегментации опухоли при раке прямой кишки предложенным методом достигает 91,2 % — на 3,94, 24,31 и 5,45 % выше, чем у моделей сегментации U-Net, SegNet и DeepLab соответственно, что подтверждает эффективность предложенного метода.

   ---

   Ключевые слова

   U-Net, глубоко сепарабельная свертка, функция потерь DiceLoss, опухоль прямой кишки

   Image segmentation for rectal cancer diagnosis by using u-net based on deep separable convolution

   Manual diagnosis of rectal cancer requires a large amount of work and is therefore prone to human error. An improved method for rectal tumor segmentation using U-Net: DS-UNet (Depthwise Separable Convolution U-Net), which combines convolution with depthward partitioning and U-Net is proposed. Replacing the convolution operation in the network extraction portion with depthward convolution increases the network depth to fully explore image details, improving the model's feature extraction ability. The DiceLoss loss function is used instead of cross-entropy to optimize network parameters, solving the problem of sample imbalance, provide higher sensitivity and the ability to generalize. Experimental results show that the proposed method achieves 91.2 % accuracy in rectal cancer tumor segmentation that on 3.94 %, 24.31 %, and 5.45 % higher than the U-Net, SegNet, and DeepLab segmentation models, respectively, confirming the effectiveness of the proposed method.

   ---

   Keywords

   U-Net, deep separable convolution, DiceLoss loss function, rectal tumor