Вплив автоматичної сегментації на радіоміксне прогнозування росту вестибулярної шванноми

Автор(и)

  • Віктор Михайлович Синєглазов Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0002-3297-9060
  • Максим Валерійович Шевченко Державний університет «Київський авіаційний інститут» https://orcid.org/0009-0004-0540-8213

DOI:

https://doi.org/10.18372/1990-5548.88.20980

Ключові слова:

вестибулярна шваннома, автоматична сегментація, nnU-Net, радіоміксні ознаки, відтворюваність, ICC, прогнозування росту пухлини, машинне навчання

Анотація

У роботі досліджено вплив автоматичної сегментації на основі nnU-Net на відтворюваність радіоміксних ознак та якість прогнозування росту вестибулярної шванноми. Модель nnU-Net навчено на 317 парах T1C-зображень з масками від 155 пацієнтів з датасету Vestibular-Schwannoma-MC-RC2 методом 5-кратної крос-валідації, досягнувши середнього коефіцієнта Dice = 0,862. ICC-аналіз показав, що 88,8% wavelet-ознак зберігають хорошу або відмінну узгодженість (ICC ≥ 0,75) між ручними та автоматичними масками. Порівняння на підвибірці з 96 пацієнтів з мітками росту показало: опублікований раніше pipeline (Wavelet + Voting ансамбль) з ручними масками досягає ROC AUC = 0,742, з автоматичними масками – 0,639 (−14,0%). Оптимізація pipeline (ICC-фільтрація, адаптація ансамблю до LR + LDA) підвищує результат до 0,687 (−7,4%). Результати визначають ціну автоматизації радіоміксного pipeline та надають рекомендації щодо ICC-фільтрації для клінічного впровадження.

 

Біографії авторів

Віктор Михайлович Синєглазов , Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Доктор технічних наук. Професор.

Кафедра штучного інтелекту, Інститут прикладного системного аналізу, ,

Максим Валерійович Шевченко , Державний університет «Київський авіаційний інститут»

Аспірант

Кафедра авіоніки та систем управління

Факультет аеронавігації, електроніки і телекомунікацій 

Посилання

M. L. Carlson and M. J. Link, "Vestibular Schwannomas," N Engl J Med., 2021, 384(14):1335–1348. https://doi.org/10.1056/NEJMra2020394

S. E. Stangerup, P. Caye-Thomasen, M. Tos, and J. Thomsen, "The natural history of vestibular schwannoma," Otol Neurotol, 2006, 27(4):547–552. https://doi.org/10.1097/01.mao.0000217356.73463.e7

M. Reznitsky, M. M. B. S. Petersen, N. West, S. E. Stangerup, and P. Cayé-Thomasen, "Epidemiology of vestibular schwannomas – prospective 40-year data from an unselected national cohort," Clin Epidemiol, 2019, 11:981–986. https://doi.org/10.2147/CLEP.S218670

P. Lambin, E. Rios-Velazquez, R. Leijenaar, et al., "Radiomics: extracting more information from medical images using advanced feature analysis," Eur J Cancer., 2012, 48(4):441–446. https://doi.org/10.1016/j.ejca.2011.11.036

R. J. Gillies, P. E. Kinahan, and H. Hricak, "Radiomics: Images Are More than Pictures, They Are Data," Radiology, 2016, 278(2):563–577. https://doi.org/10.1148/radiol.2015151169

V. Sineglazov and M. Shevchenko, "Prediction of Vestibular Schwannoma Growth Based on Radiomics Features of MRI Images Using Ensemble Machine Learning Methods," Electronics and Control Systems, 2026, No. 1(87): 50–56. https://doi.org/10.18372/1990-5548.87.20884

H. McGrath, P. Li, R. Dorent, et al., "Manual segmentation versus semi-automated segmentation for quantifying vestibular schwannoma volume on MRI," Int J Comput Assist Radiol Surg., 2020, 15(9):1445–1455. https://doi.org/10.1007/s11548-020-02222-y

F. Isensee, P. F. Jaeger, S. A. A. Kohl, J. Petersen, and K. H. Maier-Hein, "nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation," Nature Methods, 2021, 18(2):203–211. https://doi.org/10.1038/s41592-020-01008-z

R. Dorent, A. Kujawa, M. Ivory, et al., "CrossMoDA 2021 challenge: Benchmark of cross-modality domain adaptation techniques for vestibular schwannoma and cochlea segmentation," Medical Image Analysis, 2023; 83:102628. https://doi.org/10.1016/j.media.2022.102628

A. Kujawa, R. Dorent, S. Connor, et al., "Deep learning for automatic segmentation of vestibular schwannoma: a retrospective study from multi-center routine MRI," Front Comput Neurosci, 2024, 18:1365727. https://doi.org/10.3389/fncom.2024.1365727

S. Cornelissen, S. M. Schouten, P. P. J. H. Langenhuizen, et al., "Towards clinical implementation of automated segmentation of vestibular schwannomas: a reliability study comparing AI and human performance," Neuroradiology, 2025; 67:1049–1059. https://doi.org/10.1007/s00234-025-03611-3

B. Hajikarimloo, I. Mohammadzadeh, P. Shirzadi, et al., "Deep Learning Models for Radiomics-Based Segmentation of Vestibular Schwannoma on Magnetic Resonance Imaging: A Systematic Review and Meta-analysis," J Imaging Inform Med, 2025. https://doi.org/10.1007/s10278-025-01757-3

T. Itoyama, T. Nakaura, T. Hamasaki, et al., "Whole Tumor Radiomics Analysis for Risk Factors Associated with Rapid Growth of Vestibular Schwannoma in Contrast-Enhanced T1-Weighted Images," World Neurosurg., 2022, 166:e572–e582. https://doi.org/10.1016/j.wneu.2022.07.058

H. C. Yang, C. C. Wu, C. C. Lee, et al., "Prediction of pseudoprogression and long-term outcome of vestibular schwannoma after Gamma Knife radiosurgery based on preradiosurgical MR radiomics," Radiother Oncol., 2021, 155:123–130. https://doi.org/10.1016/j.radonc.2020.10.041

K. Wang, N. A. George-Jones, L. Chen, et al., "Joint Vestibular Schwannoma Enlargement Prediction and Segmentation Using a Deep Multi-task Model," The Laryngoscope, 2023, 133(10):2754–2760. https://doi.org/10.1002/lary.30516

T. Gill, D. Hamilton, and A. Rajgor, "The application of radiomics in vestibular schwannomas," J Laryngol Otol., 2025, 139(8):647–654. https://doi.org/10.1017/S0022215125000258

C. Parmar, E. Rios Velazquez, R. Leijenaar, et al., "Robust Radiomics Feature Quantification Using Semiautomatic Volumetric Segmentation," PLoS ONE, 2014, 9(7):e102107. https://doi.org/10.1371/journal.pone.0102107

T. K. Koo and M. Y. Li, "A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research," J Chiropr Med., 2016, 15(2):155–163. https://doi.org/10.1016/j.jcm.2016.02.012

C. Haarburger, G. Müller-Franzes, L. Weninger, et al., "Radiomics feature reproducibility under inter-rater variability in segmentations of CT images," Sci Rep, 2020, 10:12688. https://doi.org/10.1038/s41598-020-69534-6

S. Li, J. Kendrick, M. A. Ebert, et al., "Auto-segmentation, radiomic reproducibility, and comparison of radiomics between manual and AI-derived segmentations for coronary arteries in cardiac [18F]NaF PET/CT images," EJNMMI Physics, 2025, 12:42. https://doi.org/10.1186/s40658-025-00751-6

J. Shapey, A. Kujawa, R. Dorent, et al., "Segmentation of vestibular schwannoma from MRI, an open annotated dataset and baseline algorithm," Scientific Data, 2021, 8:286. https://doi.org/10.1038/s41597-021-01064-w

J. J. M. van Griethuysen, A. Fedorov, C. Parmar, et al., "Computational Radiomics System to Decode the Radiographic Phenotype," Cancer Res., 2017, 77(21):e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339

G. Chandrashekar and F. Sahin, "A survey on feature selection methods," Comput Electr Eng., 2014, 40(1):16–28. https://doi.org/10.1016/j.compeleceng.2013.11.024

S. Arlot and A. Celisse, "A survey of cross-validation procedures for model selection," Stat Surv., 2010, 4:40–79. https://doi.org/10.1214/09-SS054

##submission.downloads##

Опубліковано

2026-04-19

Як цитувати

Синєглазов , В. М., & Шевченко , М. В. (2026). Вплив автоматичної сегментації на радіоміксне прогнозування росту вестибулярної шванноми. Електроніка та системи управління, 2(88), 156–163. https://doi.org/10.18372/1990-5548.88.20980

Номер

Том 2 № 88 (2026)

Розділ

АВТОМАТИЗАЦІЯ ТА КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ ТА РОБОТОТЕХНІКА

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Науковий журнал "Електроніка та системи управління" дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.

Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).

Авторські права

Автори, які публікують свої роботи в журналі ""Електроніка та системи управління":

  • зберігають за собою авторські права на свої публікації;

  • надають журналу право на перше опублікування статті;

  • погоджуються на поширення матеріалів за ліцензією CC BY 4.0;

  • мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.