pirogovestnikВестник Национального медико-хирургического центра им. Н.И. ПироговаBulletin of Pirogov National Medical & Surgical Center2072-82552782-3628Национальный медико-хирургический Центр им. Н.И. Пирогова10.25881/20728255_2026_21_2_96pirogovestnik-604Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESАВТОМАТИЧЕСКОЕ ОПРЕДЕЛЕНИЕ КЛЮЧЕВЫХ ПАРАМЕТРОВ ДЛЯ ПРОГНОЗИРОВАНИЯ ТАКТИКИ ХИРУРГИЧЕСКОГО ЛЕЧЕНИЯ ВЕНТРАЛЬНЫХ ГРЫЖ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯAUTOMATIC DETERMINATION OF KEY PARAMETERS FOR PREDICTING THE TACTICS OF SURGICAL TREATMENT OF VENTRAL HERNIAS USING DEEP LEARNINGБалюраО. В.BalyuraO. V.

Санкт-Петербург

St. Petersburg

ГребенюкЕ. А.GrebeniukE. A.

Санкт-Петербург

St. Petersburg

ЕселевичР. В.EselevichR. V.

Санкт-Петербург

St. Petersburg

АкбашевР. А.AkbashevR. A.

Санкт-Петербург

St. Petersburg

renat1995@yandex.ruСуровД. А.SurovD. A.

St. Petersburg

ФГБВОУ ВО «Военно-медицинская академия им. С.М. Кирова»РоссияS.M.Kirov Military Medical AcademyRussian FederationФГБОУ ВО «Санкт-Петербургский государственный морской технический университет»РоссияSaint-Petersburg State Marine Technical UniversityRussian Federation20261006202621296100Copyright © Балюра О.В., Гребенюк Е.А., Еселевич Р.В., Акбашев Р.А., Суров Д.А., 20262026Балюра О.В., Гребенюк Е.А., Еселевич Р.В., Акбашев Р.А., Суров Д.А.Balyura O.V., Grebeniuk E.A., Eselevich R.V., Akbashev R.A., Surov D.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://submit.pirogov-vestnik.ru/jour/article/view/604

Обоснование. Выбор тактики хирургического лечения послеоперационных вентральных грыж (ПОВГ) до сих пор основывается на субъективной визуальной оценке результатов КТ хирургом, что приводит к вариабельности решений и отсутствию стандартизации. Не существует утвержденных программных комплексов для автоматического анализа анатомии передней брюшной стенки. Цель: разработать метод автоматического расчета ключевых хирургических параметров (RDR, объем грыжевого мешка) на основе семантической сегментации структур передней брюшной стенки с помощью сверточной нейронной сети U-Net для объективизации предоперационного планирования. Материалы и методы. Проведено ретроспективное одноцентровое исследование на основе данных 25 пациентов с ПОВГ категорий W2–W3 (2024–2025 гг.). Выполнена ручная сегментация правой и левой прямых мышц живота и грыжевого мешка на КТ-срезах. Модель U-Net обучалась с функцией потерь Focal Loss и аугментацией данных. На основе результатов сегментации алгоритм автоматически вычислял параметр RDR (Rectus Diastasis Ratio) и объем грыжевого мешка, формируя прогностическое заключение о необходимости техники разделения компонентов (CST). Результаты. Модель продемонстрировала стабильное обучение (потери на валидации: 0,0015). Качество сегментации грыжевого мешка составило 74,9%. Автоматический расчет RDR позволил корректно классифицировать тактику лечения для всех пациентов: при RDR>1,5 рекомендована простая пластика (40% пациентов), при RDR < 1,5 – CST (60% пациентов). Время анализа сокращено до 2–3 минут на пациента против 30–60 минут при ручной оценке. Заключение. Предложенный метод на основе сверточной нейронной сети U-Net позволяет автоматически выделять ключевые структуры передней брюшной стенки на КТ-изображениях. Это создает основу для разработки систем поддержки принятия решений, способных количественно оценивать параметры грыжевого дефекта и объективизировать предоперационное планирование.

Rationale: The choice of surgical treatment tactics for postoperative ventral hernias (PVH) is still based on a subjective visual assessment of computed tomography (CT) examinations by a surgeon, which leads to variability of solutions and lack of standardization. There are no approved software packages for automatic analysis of the anatomy of the anterior abdominal wall. Objective: To develop a method for the automatic calculation of key surgical parameters (RDR, hernial sac volume) based on the semantic segmentation of the structures of the anterior abdominal wall using the convolutional neural network U-Net to objectify preoperative planning. Methods: A retrospective single–center study was conducted based on data from 25 patients with PVH of categories W2-W3 (2024–2025). Manual segmentation of the right and left rectus abdominis muscles and hernial sac on CT sections was performed. The U-Net model was trained with a Focal Loss function and data augmentation. Based on the segmentation results, the algorithm automatically calculated the RDR (Rectus Diastasis Ratio) parameter and the volume of the hernial sac, forming a prognostic conclusion about the need for a component separation technique (CST). Results: The model demonstrated stable learning (validation losses: 0,0015). The segmentation quality of the hernial sac was 74,9%. The automatic calculation of RDR allowed us to correctly classify treatment tactics for all patients: with RDR >1,5, simple plastic surgery is recommended (40% of patients), with RDR <1,5 – CST (60% of patients). The analysis time is reduced to 2–3 minutes per patient versus 30-60 minutes for manual assessment. Conclusion: The proposed method based on the U-Net convolutional neural network makes it possible to automatically identify key structures of the anterior abdominal wall on CT images. This creates the basis for the development of decision support systems capable of quantifying hernial defect parameters and objectifying preoperative planning.

вентральная грыжаглубокое обучениепредоперационное планированиесемантическая сегментацияискусственный интеллект в хирургииventral herniadeep learningpreoperative planningsemantic segmentationartificial intelligence in surgeryReferencesBosanquet DC, Ansell J, Abdelrahman T, et al. Systematic Review and Meta-Regression of Factors Affecting Midline Incisional Hernia Rates: Analysis of 14,618 Patients. PLoS One. 2015; 10(9): e0138745. doi: 10.1371/journal.pone.0138745.Bosanquet DC, Ansell J, Abdelrahman T, et al. Systematic Review and Meta-Regression of Factors Affecting Midline Incisional Hernia Rates: Analysis of 14,618 Patients. PLoS One. 2015; 10(9): e0138745. doi: 10.1371/journal.pone.0138745.Павелец К.В., Вавилова О.Г., Лобанов М.Ю. и др. Особенности предоперационной подготовки у пациентов с обширными и гигантскими послеоперационными вентральными грыжами // Вестник Санкт-Петербургской медицинской академии последипломного образования. – 2011. – Т.3 – №2. – С.32-36.Pavelets KV, Vavilova OG, Lobanov MYu, et al. Features of preoperative preparation in patients with extensive and giant postoperative ventral hernias. Vestnik SanktPeterburgskoj medicinskoj akademii poslediplomnogo obrazovaniya. 2011; 3(2): 32-36. (In Russ.)Тимербулатов Ш.В., Абдуллин У.М., Викторов В.В. и др. Интраабдоминальная гипертензия и абдоминальный компартмент-синдром. Обзор литературы // Креативная хирургия и онкология. – 2024. – Т.14 – №2. – С.174-179. doi: 10.24060/2076-3093-2024-14-2-174-179.Timerbulatov ShV, Abdullin UM, Viktorov VV, et al. Intra-abdominal hypertension and abdominal compartment syndrome. Literature review. Kreativnaya xirurgiya i onkologiya. 2024; 14(2): 174-179. (In Russ). doi: 10.24060/2076-3093-2024-14-2-174-179.Лукоянычев Е.Е., Измайлов С.Г., Евсюков Д.А. и др. Возможности воздействия на системный уровень воспаления в острую фазу после протезирующей пластики брюшной стенки // Вестник НМЦХ им. Н.И. Пирогова. – 2022; 17(3): 53-58. doi: 10.25881/2078255_2022_17_3_53.Lukoyany`chev EE, Izmajlov SG, Evsyukov DA, et al. Possibilities of influencing the systemic level of inflammation in the acute phase after abdominal wall prosthetic surgery. Vestnik NMCzX im. N.I. Pirogova. 2022; 17(3): 53-58. (In Russ.) doi: 10.25881/2078255_2022_17_3_53.Ермолов А.С., Корошвили В.Т., Благовестнов Д.А. // Послеоперационные вентральные грыжи – нерешенные вопросы хирургической тактики // Журнал им. Н.И. Пирогова. – 2018. – №10. – С.81-86. doi: 10.17116/hirurgia201810181.Ermolov AS, Koroshvili VT, Blagovestnov DA. Postoperative ventral hernias – unresolved issues of surgical tactics. Zhurnal im. N.I. Pirogova. 2018; 10: 81-86. (In Russ.) doi: 10.17116/hirurgia201810181.Кульберг Н.С., Решетников Р.В., Новик В.П. и др. Вариабельность заключений при интерпретации КТ-снимков: один за всех и все за одного // Digital Diagnostics. – 2021. – Т.2 – №2. – С.105-118. doi: 10.17816/DD60622.Kul`berg NS, Reshetnikov RV, Novik VP, et al. Variability in CT interpretation: one for all and all for one. Digital Diagnostics. 2021; 2(2): 105-118. (In Russ.) doi: 10.17816/DD60622.Wang R, Mu Z, Wang J, et al. ASF-LKUNet: Adjacent-scale fusion U-Net with large kernel for multi-organ segmentation. Comput Biol Med. 2024; 181: 109050. doi: 10.1016/j.compbiomed.2024.109050.Wang R, Mu Z, Wang J, et al. ASF-LKUNet: Adjacent-scale fusion U-Net with large kernel for multi-organ segmentation. Comput Biol Med. 2024; 181: 109050. doi: 10.1016/j.compbiomed.2024.109050.Qin H, Long Y, Shengwei T, Cheng Z, YingYing Y, Lei Z. SEDyConv: Spatially enhanced multi-dimensional dynamic convolution for medical multi-organ segmentation in CTs. Knowledge-Based Systems. 2025; 323: 113707. doi: 10.1016/j.knosys.2025.113707.Qin H, Long Y, Shengwei T, Cheng Z, YingYing Y, Lei Z. SEDyConv: Spatially enhanced multi-dimensional dynamic convolution for medical multi-organ segmentation in CTs. Knowledge-Based Systems. 2025; 323: 113707. doi: 10.1016/j.knosys.2025.113707.Muysoms FE, Miserez M, Berrevoet F, et al. Classification of primary and incisional abdominal wall hernias. Hernia. 2009; 13(4): 407-14. doi: 10.1007/s10029-009-0518-x.Muysoms FE, Miserez M, Berrevoet F, et al. Classification of primary and incisional abdominal wall hernias. Hernia. 2009; 13(4): 407-14. doi: 10.1007/s10029-009-0518-x.Нуднов Н.В., Коробов А.В., Скачков А.А. и др. Оценка качества работы искусственного интеллекта в выявлении дегенеративных заболеваний пояснично-крестцового отдела позвоночника // Вестник рентгенологии и радиологии. – 2024. – Т.105 – №1. – С.20-28. doi: 10.20862/0042-4676-2024-105-1-20-28.Nudnov NV, Korobov AV, Skachkov AA, et al. Evaluation of the performance of artificial intelligence in identifying degenerative diseases of the lumbosacral spine. Vestnik rentgenologii i radiologii. 2024; 105(1): 20-28. (In Russ.) doi: 10.20862/0042-4676-2024-105-1-20-28.

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