10.14489/vkit.2026.07.pp.028-035

DOI: 10.14489/vkit.2026.07.pp.028-035

Никитина С. А.
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССОВ ДЕТЕКЦИИ КОСТЕЙ И РАСПОЗНАВАНИЯ ПЕРЕЛОМОВ НА РЕНТГЕНОВСКИХ СНИМКАХ
(с. 28-35)

Аннотация. Рассмотрено использование нейросетевых технологий в области медицины. Разработаны и обучены две нейронные сети на базе архитектур YOLO и ResNet, а также реализовано мобильное приложение на языке C# с использованием фреймворка MAUI. Мобильное приложение позволяет автоматизировать процесс детектирования костей и переломов на рентгеновских снимках. Функционал приложения позволяет работать с камерой и выполнять обработку изображений.

Ключевые слова: нейронные сети; детекция объектов; классификация изображений; мобильное приложение.

Nikitina S. A.
THE USE OF NEURAL NETWORK TECHNOLOGIES TO AUTOMATE THE PROCESSES OF BONE DETECTION AND FRACTURE RECOGNITION ON X-RAYS
(pp. 28-35)

Abstract. Currently, automation disease diagnostic processes is actively developing in medicine. Particular attention is being paid to methods for automatically detecting bone structures in X-ray images, which is becoming critical for timely diagnosis. Radiography remains the leading method for visualizing the human skeletal system, despite the advent new diagnostic technologies. However, there are a number significant limitations, namely the need for highly qualified specialists and the significant time required to interpret images. Therefore, automated medical diagnostics can accelerate medical image processing, reduce the workload of medical personnel, and improve diagnostic accuracy. This article presents a study in the use neural network technologies in medicine. Two neural networks based on the YOLO and ResNet architectures were developed and trained, and a mobile application in C# was implemented using the MAUI framework. The mobile application automates the process of detecting bones and fractures in X-ray images. The application's functionality allows for interaction with the device's camera and provides tools for image processing. One possible direction for further research is to expand the app's capabilities for diagnosing other types of fractures by training neural networks on relevant datasets and improving recognition accuracy. It should be noted that the implementation such technologies can contribute to increasing the efficiency of medical diagnostics and improving the quality medical care provided to patients.

Keywords: Neural networks; Object detection; Image classification; Mobile application.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

С. А. Никитина (МИРЭА – Российский технологический университет, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

S. A. Nikitina (MIREA – Russian Technological University, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Раскопина А. С., Боженко В. В., Татарникова Т. М. Использование глубокого обучения при диагностировании пневмонии по рентгеновским снимкам // Известия высших учебных заведений. Приборостроение. 2024. Т. 67, № 4. С. 315–320. DOI: 10.17586/0021-3454-2024-67-4-315-320
2. Метод повышения информативности рентгеновских снимков / Н. Е. Староверов, А. Ю. Грязнов, И. Г. Камышанская и др. // Russian Technological Journal. 2021. № 9(6). С. 57–63. DOI: 10.32362/2500-316x-2021-9-6-57-63
3. Юсупова Н. И., Богданов М. Р., Сметанина О. Н. Снижение рисков при использовании машинного обучения в диагностике бронхолегочных заболеваний // Искусственный интеллект и принятие решений. 2023. № 1. С. 42–54. DOI: 10.14357/20718594230105
4. Ultralytics: сайт. 2025. Документация Ultralytics YOLO. URL: https://docs.ultralytics.com/ (дата обращения: 01.12.2025).
5. Исследование эффективности применения моделей нейронных сетей YOLO для распознавания объектов на радиолокационных изображениях / А. С. Красноперова, А. С. Твердохлебов, А. А. Карташов и др. // Russian Technological Journal. 2025. № 13(4). С. 25-36. DOI: 10.32362/2500-316X-2025-13-4-25-36
6. NVIDIA: сайт. 2025. NVIDIA Documentation Hub. URL: https://docs.nvidia.com/ (дата обращения: 01.12.2025).
7. What is ResNet-50 and what is its relevance in computer vision? [Электронный ресурс]. URL: https://www.ultralytics.com/blog/what-is-resnet-50-and-what-is-its-relevance-in-computer-vision (дата обращения: 01.12.2025).
8. Microsoft: сайт. 2025. Документация по пользовательскому интерфейсу приложений для .NET с несколькими платформами. URL: https://learn.microsoft.com/ru-ru/dotnet/maui/?view=net-maui-8.0&WT.mc_id=dotnet-35129-website (дата обращения: 01.12.2025).
9. Microsoft: сайт. 2025. Общие сведения об XAML. URL: https://learn.microsoft.com/ru-ru/dotnet/desktop/wpf/xaml/?view=netdesktop-8.0 (дата обращения: 01.12.2025).
10. Microsoft: сайт. 2025. Общие сведения ASP.NET Core MVC. URL: https://learn.microsoft.com/ru-ru/aspnet/core/mvc/overview?view=aspnetcore-8 (дата обращения: 01.12.2025).
11. Keras.NET [Электронный ресурс]. URL: https://scisharp.github.io/Keras.NET/ (дата обращения: 01.12.2025).

Eng

1. Raskopina, A. S., Bozhenko, V. V., & Tatarnikova, T. M. (2024). Use of deep learning in diagnosing pneumonia from X ray images. Izvestiya vysshikh uchebnykh zavedeniy. Priborostroenie, 67(4), 315–320. [in Russian language]. https://doi.org/10.17586/0021-3454-2024-67-4-315-320
2. Staroverov, N. E., Gryaznov, A. Yu., Kamyshanskaya, I. G., et al. (2021). Method for increasing the information content of X ray images. Russian Technological Journal, (9), 57–63. [in Russian language]. https://doi.org/10.32362/2500-316x-2021-9-6-57-63
3. Yusupova, N. I., Bogdanov, M. R., & Smetanina, O. N. (2023). Risk reduction when using machine learning in the diagnosis of bronchopulmonary diseases. Iskusstvennyy intellekt i prinyatie resheniy, (1), 42–54. [in Russian language]. https://doi.org/10.14357/20718594230105
4. Ultralytics. (2025). Ultralytics YOLO documentation. Retrieved December 1, 2025, from https://docs.ultralytics.com/ [in Russian language].
5. Krasnoperova, A. S., Tverdokhlebov, A. S., Kartashov, A. A., et al. (2025). Study of the efficiency of using YOLO neural network models for object recognition in radar images. Russian Technological Journal, 13(4), 25–36. [in Russian language]. https://doi.org/10.32362/2500-316X-2025-13-4-25-36
6. NVIDIA. (2025). NVIDIA Documentation Hub. Retrieved December 1, 2025, from https://docs.nvidia.com/ [in Russian language].
7. Ultralytics. (n.d.). What is ResNet 50 and what is its relevance in computer vision? Retrieved December 1, 2025, from https://www.ultralytics.com/blog/what-is-resnet-50-and-what-is-its-relevance-in-computer-vision
8. Microsoft. (2025). Documentation on the user interface of applications for .NET with multiple platforms. Retrieved December 1, 2025, from https://learn.microsoft.com/ru-ru/dotnet/maui/?view=net-maui-8.0&WT.mc_id=dotnet-35129-website [in Russian language].
9. Microsoft. (2025). Overview of XAML. Retrieved December 1, 2025, from https://learn.microsoft.com/ru-ru/dotnet/desktop/wpf/xaml/?view=netdesktop-8.0 [in Russian language].
10. Microsoft. (2025). Overview of ASP.NETCore MVC. Retrieved December 1, 2025, from https://learn.microsoft.com/ru-ru/aspnet/core/mvc/overview?view=aspnetcore-8 [in Russian language].
11. Keras.NET. (n.d.). Keras.NET. Retrieved December 1, 2025, from https://scisharp.github.io/Keras.NET/ [in Russian language].

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2026.07.pp.028-035

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2026.07.pp.028-035

and fill out the form