Плоско-вальгусная деформация стопы (ПВДС) является распространенным состоянием, которое может привести к различным проблемам со здоровьем, таким как болевые синдромы и искривление позвоночника. Для эффективной диагностики при помощи программных средств требуется точная сегментация заднего отдела стопы на изображениях. В данном исследовании было проведено сравнение двух методов сегментации изображений: пороговая обработка и модель на основе сверточной нейронной сети (CNN), а именно архитектуры U-Net. Пороговая обработка, хотя и проста в реализации, не всегда эффективна на изображениях с неравномерной яркостью или шумами. В то время как модель на основе нейронной сети представляет собой более сложный, но более точный метод, способный адаптироваться к различным условиям изображений. Проведенное исследование показало, что модель на основе нейронной сети демонстрирует высокую точность сегментации заднего отдела стопы на изображениях различных пациентов. Точность этой модели составила 97% на тестовых данных и 95% на валидационных данных, что подтверждает ее эффективность. Модель на основе сверточной нейронной сети, такая как архитектура U-Net, представляет собой предпочтительный выбор для сегментации изображений заднего отдела стопы. Ее способность адаптироваться к различным условиям изображений, и высокая точность делают ее эффективным инструментом в клинической практике.
Flat-valgus deformity of the foot is a common condition that can lead to various health problems such as pain syndromes and curvature of the spine. For effective diagnosis using software tools, accurate segmentation of the posterior part of the foot in the images is required. In this study, two image segmentation methods were compared: threshold processing and a model based on a convolutional neural network (CNN), namely the U-Net architecture. Threshold processing, although easy to implement, is not always effective on images with uneven brightness or noise. Whereas a neural network-based model is a more complex but more accurate method capable of adapting to different image conditions. The study showed that the neural network-based model demonstrates high accuracy of posterior foot segmentation in images of various patients. The accuracy of this model was 97% on test data and 95% on validation data, which confirms its effectiveness. A convolutional neural network-based model, such as the U-Net architecture, is the preferred choice for image segmentation of the hindfoot. Its ability to adapt to different imaging conditions and high accuracy make it an effective tool in clinical practice.