Веб-приложение для диагностики опухолей головного мозга на основе сверточных нейронных сетей

М. Р. Киясов, И. А. Пшенокова

---

Аннотация. Актуальность работы обусловлена необходимостью разработки веб‑приложения для диагностики опухолей головного мозга по данным МРТ, которое обеспечивает предобработку и стандартизацию входных изображений, высокоточное распознавание наличия и типа опухоли, предоставление результатов в удобной для врача форме, а также возможность масштабирования и дальнейшего совершенствования моделей по мере накопления новых данных.
Цель исследования – создание полнофункциональной веб-системы для медицинской диагностики с удобным интерфейсом.
Методы исследования. В качестве основных методов исследования применяются методы машинного обучения на основе сверточных нейронных сетей и технологии разработки программного обеспечения.
Результаты. В работе разработано веб-приложение для диагностики опухолей головного мозга на основе сверточных нейронных сетей. Для распознавания и классификации изображений МРТ использована модель MobileNet, а для семантической сегментации применена архитектура U-Net. Реализован frontend на React с TypeScript и backend на Python.
Выводы. Из проведенных тестов следует, что разработанное приложение демонстрирует высокую точность распознавания и сегментации опухолей, обеспечивая эффективность в задачах медицинской диагностики.

Ключевые слова: веб-приложение, диагностика опухолей мозга, глубокое обучение, сверточные нейронные сети, анализ изображений, искусственный интеллект, медицинские данные

Для цитирования. Киясов М. Р., Пшенокова И. А. Веб-приложение для диагностики опухолей головного мозга на основе сверточных нейронных сетей // Известия Кабардино-Балкарского научного центра РАН. 2026. Т. 28. № 3. С. 71–83. DOI: 10.35330/1991-6639-2026-28-3-71-83

© Киясов М. Р., Пшенокова И. А., 2026

Список литературы

1. Aguiar-Ibanez R., Mbous Y.P.V., Sharma S. Chawla E. Assessing the clinical, humanistic, and economic impact of early cancer diagnosis: a systematic literature review. Frontiers in Oncology. 2025. Vol. 3. DOI: 10.3389/fonc.2025.1546447
2. Wang C., Shi Z., Li Y. et al. Protocol for brain magnetic resonance imaging and extraction of imaging-derived phenotypes from the china phenobank project. Phenomics. 2023. Vol. 3. No. 6. Pp. 642–656. DOI: 10.1007/s43657-022-00083-w
3. Jiang X., Hu Z., Wang S., Zhang Y. Deep learning for medical image-based cancer diagnosis. Cancers. 2023. Vol. 15. No. 14. DOI: 10.3390/cancers15143608
4. Солопов М. В., Кавелина А. С., Попандопуло А. Г. и др. Перспективы применения сверточных нейронных сетей в цитологической диагностике узловых образований щитовидной железы // Проблемы эндокринологии. 2025. Т. 71. № 3. С. 4–13. DOI: 10.14341/probl13475
5. Loghmani N., Moqadam R., Allahverdy A. Brain tumor segmentation using multimodal MRI and convolutional neural network. 30th International Conference on Electrical Engineering (ICEE). Tehran. Iran. 2022. Pp. 227–230. DOI: 10.1109/ICEE55646.2022.9827274
6. Rastogi D., Johri P., Donelli M. et al. Brain tumor detection and prediction in MRI images utilizing a Fine-Tuned transfer learning model integrated within deep learning frameworks. Life. 2025. Vol. 15. No. 3. P. 327. DOI: 10.3390/life15030327
7. Balch J.A., Ruppert M.M., Loftus T.J. at al. Machine learning-enabled clinical information systems using fast healthcare interoperability resources data standards: Scoping review. JMIR Medical Information. 2023. Vol. 11. DOI: 10.2196/48297
8. Ottoni M., Kasperczuk A., Tavora L.M.N. Machine learning in MRI brain imaging: a review of methods, challenges, and future directions. Diagnostics. 2025. Vol. 15. No. 21. DOI: 10.3390/diagnostics15212692
9. Алзубаиди А. К. Анализ требований к конфиденциальности и обмену данными цифрового здравоохранения // Медицинская этика. 2023. Т. 11. № 4. С. 27–31. DOI: 10.24075/medet.2023.030
10. Vu H.A. Integrating preprocessing methods and convolutional neural networks for effective tumor detection in medical imaging. arXiv preprint arXiv:2402.16221. 2024.
11. Пшенокова И. А., Киясов М. Р. Модели и методы глубокого обучения в задачах распознавания и классификации медицинских изображений // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 2. С. 103–112. DOI: 10.35330/1991-6639-2025-27-2-103-112
12. Bash S., Tanenbaum L.N., Segovis C., Chen M. CPT codes for quantitative MRI of the brain: what it means for neuroradiology. American Journal of Neuroradiology. 2024. 45(7) E19. DOI: 10.3174/ajnr.A8286

Информация об авторах

Киясов Мурат Русланович, студент 1-го года обучения направления «Информатика и вычислительная техника», Кабардино-Балкарский государственный университет имени Х. М. Бербекова;
360004, Россия, г. Нальчик, ул. Чернышевского, 173;
myrat7450@mail.ru
Пшенокова Инна Ауесовна, канд. физ.-мат. наук, зав. отд. «Мультиагентные системы», Институт информатики и проблем регионального управления – филиал Кабардино-Балкарского научного центра РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
доцент кафедры «Компьютерные технологии и информационная безопасность», КабардиноБалкарский государственный университет имени Х. М. Бербекова;
360004, Россия, г. Нальчик, ул. Чернышевского, 173;
pshenokova_inna@mail.ru, ORCID: https://orcid.org/0000-0003-3394-7682, SPIN-код: 3535-2963

Финансирование

Исследование проведено без спонсорской поддержки.