ISSN Print 2070–7320
ISSN Online 2070–7339
НАУЧНЫЙ МЕДИЦИНСКИЙ ЖУРНАЛ РНИМУ ИМЕНИ Н. И. ПИРОГОВА
Авторские права: © 2025 принадлежат авторам. Лицензиат: РНИМУ им. Н.И. Пирогова.
Статья размещена в открытом доступе и распространяется на условиях лицензии Creative Commons Attribution (CC BY).
Статья размещена в открытом доступе и распространяется на условиях лицензии Creative Commons Attribution (CC BY).
ОРИГИНАЛЬНОЕ ИССЛЕДОВАНИЕ
Разработка классификатора состояний сосудов с использованием методов контролируемого машинного обучения
Информация об авторах
1 Центр нейробиологии и нейрореабилитации имени Владимира Зельмана, Сколковский институт науки и технологий, Москва, Россия
2 Центр искусственного интеллекта, Сколковский институт науки и технологий, Москва, Россия
3 Центр фотоники и фотонных технологий, Сколковский институт науки и технологий, Москва, Россия
4 Центр молекулярной и клеточной биологии, Сколковский институт науки и технологий, Москва, Россия
Для корреспонденции: Злата Валерьевна Беседовская
Большой бульвар, 30, стр. 1, Москва, 121205, Россия; moc.liamg@dlogantari
Информация о статье
Благодарности: авторы статьи выражают признательность авторам опубликованной ранее работы [15] за предоставление открытых данных, которые были использованы при проведении исследования.
Вклад авторов: З. В. Беседовская — разработка пайплайна и инструментов кластеризации, подготовка изображений для публикации, подготовка драфта публикации; А. Ю. Коробов — создание и интеграция новых дескрипторов сегментов сосудов в пайплайн, подготовка драфта публикации; Н. И. Кудряшова — медицинская концептуализация и валидация дескрипторов сегментов сосудов, подготовка драфта публикации.
Статья получена: 07.10.2025
Статья принята к печати: 10.11.2025
Опубликовано online: 27.11.2025
|
Рис. 1. A. Схематичное представление экспериментального дизайна. Б. Схематичное изображение экспериментальной установки. В. Изображение в анализируемой координатной системе. Модифицировано из [15]
Рис. 2. UMAP-кластеризация исходных данных
Рис. 3. Характеристики обученных МО моделей: Catboost, SGDClassifier, LogisticRegression. А. Вес параметров для индивидуальных сегментов сосудов. Б. Матрицы ошибок для трех моделей
Таблица 1. Параметры сосудов, разработанные нами и рассчитанные в данной работе для описания характеристик сосудистых сегментов и их положения в области изображения
Таблица 2. Полученные метрики неконтролируемой кластеризации
Таблица 3. Метрики оценки качества моделей контролируемой классификации
