moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2024.44.1.011 1486 Использование искусственных нейронных сетей для выполнения сегментации рентгенограмм тазобедренного сустава при лечении остеоартрита Using artificial neural networks to perform segmentation of hip radiographs in the treatment of osteoarthritis 0009-0001-1170-5415 Акутин Артем Сергеевич Akutin Artem Sergeevich akutin_artem@mail.ru aff-1 0000-0002-7450-3095 Горякин Максим Владимирович Goriakin Maxim Vladimirovich gorjakinmax@mail.ru aff-2 0000-0001-8225-1150 Зубавленко Роман Андреевич Zubavlenko Roman Andreevich sarniiton@yandex.ru aff-3 0000-0002-5043-1891 Печенкин Виталий Владимирович Pechenkin Vitaly Vladimirovicn pechenkinvv@mail.ru aff-4 0009-0006-7546-0150 Солопекин Дмитрий Андреевич Solopekin Dmitry Andreevich solopekindmitriii@gmail.com aff-5 Саратовский государственный технический университет имени Гагарина Ю.А. Yuri Gagarin State Technical University of Saratov Саратовский государственный медицинский университет имени В.И. Разумовского Минздрава России НИИ травматологии, ортопедии и нейрохирургии Saratov State Medical University named after V.I. Razumovsky Research Institute of Traumatology, Orthopedics and Neurosurgery Саратовский государственный медицинский университет имени В.И. Разумовского Минздрава России НИИ травматологии, ортопедии и нейрохирургии Saratov State Medical University named after V.I. Razumovsky Research Institute of Traumatology, Orthopedics and Neurosurgery Саратовский государственный технический университет имени Гагарина Ю.А. Yuri Gagarin State Technical University of Saratov Саратовский государственный технический университет имени Гагарина Ю.А. Yuri Gagarin State Technical University of Saratov 01 01 2026 1 1 10.26102/2310-6018/2024.44.1.011 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Процедура рентгенологического анализа в настоящее время позволяет выявить остеоартрит (ОА) на ранних стадиях заболевания. Наличие или отсутствие заболевания выявляется только на той стадии, когда оно уже проявилось и проведена рентгенологическая диагностика. Использование автоматизированных процедур анализа рентгенологических снимков, наличие архивов такой информации с длительной историей позволяют улучшить результаты прогнозирования осложнений у пациентов. В статье описывается опыт разработки приложения компьютерного анализа рентгенограмм, которое на основе методов глубокого обучения позволяет выявлять риски развития остеоартрита тазобедренного сустава. В качестве обучающей выборки используется архив профильного медицинского института. С целью увеличения размера обучающего набора рентгенограмм используется метод аугментации данных, который повышает вариативность исходных данных, в ряде случаев повышает эффективность распознавания. В работе используется конволюционная сеть (U-сеть), предназначенная для сегментации изображений, которая обучается на рентгенограммах конкретного медицинского учреждения. В рамках проекта по сегментации и анализу геометрических характеристик рентгеновских снимков тазобедренных суставов было разработано программное обеспечение, позволяющее автоматизировать распознавание размера суставной щели, что позволяет уточнить диагноз пациента, прогноз развития патологии.

Today, the X-ray analysis procedure makes it possible to detect osteoarthritis (OA) in the early stages of the disorder. The presence or absence of the disorder is detected only when it has already manifested, and X-ray diagnostics have been carried out. The use of automated procedures for analyzing X-ray images and the availability of archives of such information with a long history can improve the results of predicting complications in patients. The article describes the experience of developing an application for computer analysis of radiographs, which, based on deep learning methods, allows us to identify the risks of developing osteoarthritis of the hip joint. The archive of a specialized medical institute is used as a training sample. In order to increase the size of the training set of radiographs, a data augmentation method is used, which increases the variability of the original data and, in some cases, increases the recognition efficiency. The research uses a convolutional network (U-net) designed for image segmentation, which is trained on X-ray images of a specific medical institution. As part of a project to segment and analyze the geometric characteristics of X-ray images of the hip joints, the software to automate the recognition of the joint space size was developed, which helps to clarify the patient’s diagnosis and prognosis for the development of the pathology.

 конволюционная нейронная сеть сегментации изображений машинное обучение остеоартрит тазобедренный сустав convolutional neural network image segmentation machine learning osteoarthritis hip joint Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Торшин И.Ю., Лила А.М., Загородний Н.В., Назаренко А.Г., Ткачева О.Н., Дудинская Е.Н., Алексеева Л.И., Таскина Е.А., Сарвилина И.В., Шавловская О.А., Данилов А.Б., Минасов Т.Б., Галустян А.Н., Малявская С.И., Громов А.Н., Егорова Е.Ю., Васильева Л.В., Евстратова E.Ф., Гоголева И.В., Федотова Л.Э., Удовика М.И., Максимов В.А., Повзун А.С., Громова О.А. Разработка верифицированной шкалы риска остеоартрита на основе кросс-секционного исследования клинико-анамнестических параметров и фармакологического анамнеза пациентов. Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2023;16(1):70–79. Федонников А.С., Колесникова А.С., Рожкова Ю.Ю., Коссович Л.Ю. Система поддержки принятия врачебных решений в хирургии позвоночно-тазового комплекса как инструмент автоматизации управления в отрасли. Саратовский научно-медицинский журнал. 2019;15(3):677–682. Johnson L.G., Bortolussi-Courval S., Chehil A., et al. Application of statistical shape modeling to the human hip joint: a scoping review. JBI Evidence Synthesis. 2023;21(3):533–583. DOI: 10.11124/JBIES-22-00175. Kinds M.B., Marijnissen A.C.A., Vincken K.L., Viergever M.A., Drossaers-Bakker K.W., Bijlsma J.W.J., Bierma-Zeinstra S.M.A., Welsing P.M.J., Lafeber F.P.J.G. Evaluation of separate quantitative radiographic features adds to the prediction of incident radiographic osteoarthritis in individuals with recent onset of knee pain: 5-year follow-up in the CHECK cohort. Osteoarthritis and Cartilage. 2012;20(6):548–556. DOI: 10.1016/j.joca.2012.02.009. Ivanov D.V., Kirillova I.V., Kossovich L.Yu. Biomechanics as a basis for clinical decision support systems in the surgery of the spine-pelvic complex. In: Advances in Solid and Fracture Mechanics. Advanced structured materials. 2022:99–126. URL: https://pureportal.spbu.ru/files/98221533/editor_HA_et_al_LAST.pdf (дата обращения: 6.10.2023). DOI: 10.1007/978-3-031-18393-5_7. Homma Y., Baba T., Sumiyoshi Nobuhiko, Ochi H., Kobayashi Hideo, Matsumoto M., Yuasa T., Kaneko K. Rapid hip osteoarthritis development in a patient with anterior acetabular cyst with sagittal alignment change. Case Report in Orthopedics. 2014. DOI: 10.1155/2014/523426. Daniel M. Mathematical simulation of the hip joint loading. PhD. Dissertation, Czech Technical University in Prague Faculty of Mechanical Engineering, Department of Mechanics, Laboratory of Biomechanics of Man. [Internet] 2004. URL: http://physics.fe.uni-lj.si/members/associate/disertation.pdf (дата обращения: 15.08.2023). Gong Z., Fu Y., He M., et al. Automated identification of hip arthroplasty implants using artificial intelligence. Scientific Reports. 2022;12. DOI: 10.1038/s41598-022-16534-3. Филист С.А., Кондрашов Д.С., Сухомлинов А.Ю., Шульга Л.В., Аль-Даррадж Ч.Х., Белозёров В.А. Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа. Моделирование, оптимизация и информационные технологии. 2023;11(1). URL: https://moitvivt.ru/ru/journal/pdf?id=1302. DOI: 10.26102/2310-6018/2023.40.1.021 (дата обращения: 15.10.2023). Mustra M., Delac K., Grgic M. Overview of the DICOM standard. In: ELMAR, 2008. 50th International Symposium, 10-12 September 2008, Zadar, Croatia. IEEE; 2008. p. 39–44. Lakhani P., Gray D.L., Pett C.R., et al. Hello world deep learning in medical imaging. Journal of Digital Imaging. 2018;31(3):283–289. DOI: 10.1007/s10278-018-0079-6. Russell B.C., Torralba A., Murphy K.P., Freeman W.T. LabelMe: A database and web-based tool for image annotation. International Journal of Computer Vision. 2008;77(1):157–173. DOI: 10.1007/s11263-007-0090-8. Ronneberger O., Fischer Ph., Brox T. U-Net: Convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015: 18th International Conference, 5-9 October 2015, München, Germany. Springer; 2015. p. 234–241. Siddique N., Paheding S., Elkin C.P., Devabhaktuni V. U-Net and its variants for medical image segmentation: a review of theory and applications. IEEE Access. 2021;9:82031–82057. DOI: 10.1109/ACCESS.2021.3086020.

The authors declare that there are no conflicts of interest present.