Журнал «Медицина неотложных состояний» Том 21, №6, 2025

Актуальність. Точна і швидка оцінка ступеня перфорації барабанної перетинки є надзвичайно важливою в клінічній отоларингології, особливо в умовах обмежених ресурсів. Мета: розробка комп’ютерної системи із налаштовуваними інструментами сегментації, які можна швидко застосувати для поліпшення процесу оцінювання, скорочення часу, необхідного для отримання послідовних, об’єктивних і точних результатів при роботі з ендоскопічними зображеннями різної якості, контрастності, освітленості й інших змінних. Матеріали та методи. Для досягнення цієї мети розроблено спеціалізований веб-додаток із налаштовуваним адаптивним алгоритмом сегментації Flood Fill. Експерименти проводилися з використанням розробленої системи й набору ендоскопічних зображень із різними типами перфорацій, що були перевірені експертами для забезпечення якості та застосовності запропонованих моделей. Результати. Експериментальні результати продемонстрували, що адаптивний алгоритм сегментації забезпечує надійну й послідовну ідентифікацію пошкоджених ділянок, значно зменшуючи діагностичну варіативність та ймовірність неточностей. Можливість налаштування параметрів алгоритму дозволила проводити точну сегментацію навіть за неоптимальних умов зйомки (низька контрастність, розмиті зображення), вирішуючи типові клінічні проблеми. Практична корисність та інтуїтивний дизайн програми мінімізували вимоги до навчання, сприяючи потенційному швидкому клінічному впровадженню і можливості оцінювати перфорації швидше за традиційний візуальний підхід. Висновки. Запропоновані модель, метод та веб-додаток ефективно відповідають меті роботи — поліпшенню надійності діагностики й клінічного робочого процесу, заощаджуючи час спеціалістів. Розроблений інструмент має значний потенціал щодо поліпшення результатів аналізу й лікування пацієнтів в умовах надзвичайних ситуацій та обмежених ресурсів. Подальше вдосконалення за допомогою передових технологій обробки зображень може ще більше підвищити точність і застосовність в інших медичних галузях.

Background. Accurate and rapid assessment of tympanic membrane perforations is essential in clinical otolaryngology, particularly in resource-constrained environments. The purpose of the work is to develop a computer system powered by highly adjustable segmentation tools that can be quickly applied to improve the assessment, reduce the time needed for obtaining consistent, objective and precise results when dealing with endoscopic images of different quality, contrast, amount of light and other variabilities. Materials and methods. To achieve this, a specialized web-based application was developed, utilizing a modified adaptive Flood Fill segmentation algorithm. The experiments were conducted using the developed system and a dataset of endoscopic images with various types of perforations, examined by expert to ensure the quality and applicability of the proposed models. Results. Experimental results demonstrated that the adaptive segmentation algorithm provided reliable and consistent identification of damaged areas, significantly reducing diagnostic variability and probable inaccuracies. Adjustability of algorithm parameters allowed accurate segmentation even under suboptimal imaging conditions (low contrast, blurred images), addressing typical clinical challenges. The practical usability and intuitive design of the application minimized training requirements, facilitating potential rapid clinical deployment and ability to assess perforations quicker than with traditional visual approach. Conclusions. The proposed model, method and web-based application effectively meet the goal of the work — improving diagnostic reliability and the clinical workflow, saving clinicians’ time. The developed tool has substantial potential to enhance patient outcomes in emergency and resource-limited settings. Further improvement through advanced image processing techniques could increase accuracy and applicability even more broadly across other medical domains.

барабанна перетинка; сегментація зображень; алгоритм Flood Fill; отоларингологія; обробка медичних ­зображень

tympanic membrane; image segmentation; Flood Fill algorithm; otolaryngology; medical image processing

1. Habib AR, Xu Y, Bock K, et al. Evaluating the generalizability of deep learning image classification algorithms to detect middle ear disease using otoscopy. Sci Rep. 2023 Apr 1;13(1):5368. doi: 10.1038/s41598-023-31921-0.
2.  Cao Z, Chen F, Grais EM, et al. Machine Learning in Diagnosing Middle Ear Disorders Using Tympanic Membrane Images: A Meta-Analysis. Laryngoscope. 2023 Apr;133(4):732-741. doi: 10.1002/lary.30291.
3.  Kim W, Long R, Yang Z, Oghalai JS, Applegate BE. Optical coherence tomography otoscope for imaging of tympanic membrane and middle ear pathology. J Biomed Opt. 2024 Aug;29(8):086005. doi: 10.1117/1.JBO.29.8.086005. 
4.  Suresh K, Cohen MS, Hartnick CJ, Bartholomew RA, Lee DJ, Crowson MG. Generation of synthetic tympanic membrane images: Development, human validation, and clinical implications of synthetic data. PLOS Digit Health. 2023 Feb 24;2(2):e0000202. doi: 10.1371/journal.pdig.0000202.р
5.  Ronneberger O, Fischer P, Brox T. U-Net: Convolutio–nal Networks for Biomedical Image Segmentation. In: Navab N, Hornegger J, Wells W, Frangi A, eds. Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015: Proceeding of the 18th International Conference (Part 3). 2015, October 5–9; Munich, Germany. Series: Lecture Notes in Computer Science, 
6. vol 9351. Cham: Springer; 2015. 234-241. doi: 10.1007/978-3-319-24574-4_28.
7.  Yin P, Yuan R, Cheng Y, Wu Q. Deep Guidance Network for Biomedical Image Segmentation. IEEE Access. 2020;8:116106-116116. doi: 10.1109/ACCESS.2020.3002835.
8.  Marchioni D, Gazzini L, De Rossi S, et al. The Management of Tympanic Membrane Perforation with Endoscopic Type I Tympanoplasty. Otol Neurotol. 2020 Feb;41(2):214-221. doi: 10.1097/MAO.0000000000002465.
9.  Tan HEI, Santa Maria PL, Wijesinghe P, et al. Optical Coherence Tomography of the Tympanic Membrane and Middle Ear: A Review. Otolaryngol Head Neck Surg. 2018 Sep;159(3):424-438. doi: 10.1177/0194599818775711.
10.  Turk G. Generating random points in triangles. In: Glassner AS, ed. Graphics Gems. San Diego: Academic Press; 1990. 24-28. doi: 10.1016/B978-0-08-050753-8.50015-2.
11.  Gaonkar B, Davatzikos C. Analytic estimation of statistical significance maps for support vector machine based multi-variate image analysis and classification. Neuroimage. 2013 Sep;78:270-283. doi: 10.1016/j.neuroimage.2013.03.066.
12.  Feng Y, Zhao H, Li X, Zhang X, Li H. A multi-scale 3D Otsu thresholding algorithm for medical image segmentation. Digital Signal Processing. 2017 Jan;60:186-199. doi: 10.1016/j.dsp.2016.08.003.
13.  Ma Y, Liu J, Liu Y, et al. Structure and Illumination Constrained GAN for Medical Image Enhancement. IEEE Trans Med Ima-ging. 2021 Dec;40(12):3955-3967. doi: 10.1109/TMI.2021.3101937.
14.  Maolood IY, Al-Salhi YEA, Lu S. Thresholding for Medical Image Segmentation for Cancer using Fuzzy Entropy with Level Set Algorithm. Open Med (Wars). 2018 Sep 8;13:374-383. doi: 10.1515/med-2018-0056.
15.  Smelyakov K, Smelyakov S, Chupryna A. Adaptive Edge Detection Models and Algorithms. In: Mashtalir V, Ruban I, Leva–shenko V, eds. Advances in Spatio-Temporal Segmentation of Visual Data. Series: Studies in Computational Intelligence, vol 876. Cham: Springer; 2020. 1-51. doi: 10.1007/978-3-030-35480-0_1.
16.  Wang J, Tang Y, Xiao Y, Zhou JT, Fang Z, Yang F. GREnet: Gradually REcurrent Network with Curriculum Learning for 2-D Medical Image Segmentation. IEEE Trans Neural Netw Learn Syst. 2024;35(7):10018-10032. doi: 10.1109/TNNLS.2023.3238381.
17.  Armand TPT, Bhattacharjee S, Choi HK, Kim HC. Transformers Effectiveness in Medical Image Segmentation: A Compa-rative Analysis of UNet-Based Architectures. In: Proceeding of the 2024 International Conference on Artificial Intelligence in Information and Communication (ICAIIC). 2024, February 19–22; Osaka, Japan. Piscataway, NJ: IEEE; 2024. 238-242. doi: 10.1109/ICAIIC60209.2024.10463435.
18.  Vo T, Dave P, Bajpai G, Kashef R, Khan N. Brain Tumor Segmentation in MRI Images Using a Modified U-Net Model. In: Proceeding of the 2022 IEEE International Conference on Digital Health (ICDH) IEEE. 2022, July 10–16; Barcelona, Spain. Piscataway, NJ: IEEE; 2022. 29-33. doi: 10.1109/ICDH55609.2022.00012.
19.  Dentes 1999: Tympanic Membrane Dataset. Available from: https://github.com/Dentes1999/Tympanic-Membrane-Dataset.
20.  Fabric.js: JavaScript HTML5 canvas library. Available from: https://fabricjs.com.
21.  Mishra S, Vishwakarma A, Kumar A, Vimal R. An Automatic Nuclei Segmentation Technique using Unsharp Masking. In: Procee-
22. ding of the 2023 IEEE 15th International Conference on Computational Intelligence and Communication Networks (CICN). 2023; December 22–23; Bangkok, Thailand. Piscataway, NJ: IEEE; 2023. 629-633. doi: 10.1109/CICN59264.2023.10402200.
23.  Ng SM, Yazid H, Rahim SA, Mustafa N. Performance Analysis of Adaptive Unsharp Masking Filter Techniques for Image Contrast Enhancement. In: Proceeding of the 2021 IEEE 11th International Conference on System Engineering and Technology (ICSET). 2021 November 6; Shah Alam, Malaysia. Piscataway, NJ: IEEE; 2021. 315-319. doi: 10.1109/ICSET53708.2021.9612557.
24.  Vasudev V, Rajesh MV. A Comparative Study of Wiener, Richardson-Lucy, and Total Variation Techniques for Astronomical Images. In: Proceeding of the 2024 IEEE International Conference on Signal Processing, Informatics, Communication and Energy Systems (SPICES). 2024, September 20–22; Kottayam, India. Piscataway, NJ: IEEE; 2024. 1-4. doi: 10.1109/SPICES62143.2024.10779775.
25.  Modrzyk T, Etxebeste A, Bretin E, Maxim V. Fast Deconvolution Using a Combination of Richardson-Lucy Iterations and Diffusion Regularisation. In: Proceeding of the 2024 32nd European Signal Processing Conference (EUSIPCO). 2024, August 26–30; Lyon, France. Piscataway, NJ: IEEE; 2024. 1901-1905. doi: 10.23919/EUSIPCO63174.2024.10715053.
26.  Smelyakov K, Datsenko A, Skrypka V, Akhundov A. The Efficiency of Images Reduction Algorithms with Small-Sized and Linear Details. In: Proceeding of the 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T). 2019, October 8–11; Kyiv, Ukraine. Piscataway, NJ: IEEE; 2019. 745-750. doi: 10.1109/PICST47496.2019.9061250.
27.  Dremin V, Marcinkevics Z, Zherebtsov E, Popov A, Grabov–skis A, Kronberga H. Skin Complications of Diabetes Mellitus Revealed by Polarized Hyperspectral Imaging and Machine Learning. IEEE Trans Med Imaging. 2021;40(4):1207-1216. doi: 10.1109/TMI.2021.3049591.
28.  Zaman N, Das S, Salunkhe S. Classification of Diabetes using Machine Learning. In: Proceeding of the 2022 International Confe–rence on Futuristic Technologies (INCOFT). 2022, November 25–27; Belgaum, India. Piscataway, NJ: IEEE; 2022. 1-6. doi: 10.1109/INCOFT55651.2022.10094335.