RUDN Journal of MedicineRUDN Journal of MedicineВестник Российского университета дружбы народов. Серия: Медицина2313-02452313-0261Peoples’ Friendship University of Russia named after Patrice Lumumba (RUDN University)4908010.22363/2313-0245-2025-30-1-80-91CYTWARSURGERYХИРУРГИЯResearch ArticleMusculoaponeurotic layer structural alterations of the anterior abdominal wall in ventral hernias: insights from CT texture analysisСтруктурные изменения мышечно-апоневротического слоя передней брюшной стенки при вентральных грыжах: данные текстурного анализа КТhttps://orcid.org/0000-0001-5439-92623126-7423ProtasovAndrey V.ПротасовА. В.glb.1994@mail.ruhttps://orcid.org/0000-0002-9159-42326555-8191KanakhinaLiya B.КанахинаЛ. Б.glb.1994@mail.ruhttps://orcid.org/0000-0003-2677-62726541-7112MazurovaOlga I.МазуроваО. И.glb.1994@mail.ruRUDN UniversityРоссийский университет дружбы народов15032026301SURGERYХИРУРГИЯ809122032026Copyright ©; 2026, Protasov A.V., Kanakhina L.B., Mazurova O.I.Copyright ©; 2026, Протасов А.В., Канахина Л.Б., Мазурова О.И.2026Protasov A.V., Kanakhina L.B., Mazurova O.I.Протасов А.В., Канахина Л.Б., Мазурова О.И.https://creativecommons.org/licenses/by-nc/4.0https://journals.rudn.ru/medicine/article/view/49080

Relevance. Postoperative ventral hernias (POVH) remain a significant surgical challenge, characterized by remodeling of the musculoaponeurotic layer of the anterior abdominal wall and loss of functional integrity. Computed tomography (CT) texture analysis enables an objective assessment of tissue microarchitecture, facilitates the identification of structural changes, and optimizes preoperative planning and surgical decision-making. Aim. To evaluate structural changes in the musculoaponeurotic layer of the anterior abdominal wall in healthy individuals and patients with W2 and W3 POVH using texture analysis, identify intergroup differences, and determine the topographic-anatomical characteristics of affected tissues. Materials and Methods. This study included 90 patients (30 without hernias, 30 with W2-POVH, 30 with W3-POVH) examined between 2020 and 2024. All patients underwent multislice computed tomography (MSCT), and axial slices were segmented using Roboflow. The resulting masks were analyzed for texture characteristics, including brightness (mean_gray), contrast (contrast), correlation (correlation), kurtosis (kurtosis_gray), skewness (skewness_gray), standard deviation (std_gray), LBP, wavelet analysis, and gabor filtering. Statistical analysis included ANOVA, the Kruskal-Wallis test, and Tukey’s post-hoc analysis. Results and Discussion. Texture analysis revealed significant differences in Wavelet and Gabor response (p < 0.0001). Group 2 exhibited marked structural alterations, while Groups 1 and 3 demonstrated similar tissue characteristics (p > 0.05), suggesting adaptive remodeling in patients with severe hernia defects. Further, Group 2 showed significant changes in contrast (p < 0.0001), correlation (p < 0.0001), and kurtosis (p = 0.001), while brightness (mean_gray) and homogeneity (homogeneity) did not differ significantly (p > 0.05). Conclusion. The most pronounced structural disorganization was observed in W2-POVH patients, indicating morphofunctional instability. In contrast, W3-POVH patients exhibited adaptive changes, suggesting compensatory remodeling. These findings confirm the progressive nature of morphological changes in POVH and highlight the importance of texture analysis for personalized surgical planning.

Актуальность. Послеоперационные вентральные грыжи (ПОВГ) представляют собой серьезную хирургическую проблему, характеризующейся ремоделированием мышечно-апоневротического слоя передней брюшной стенки и потере его функциональной целостности. Применение текстурного анализа в КТ позволит объективно оценить микроархитектонику тканей, выявить структурные изменения и оптимизировать предоперационное планирование и тактику хирургического лечения. Цель - оценить структурные изменения мышечно-апоневротического слоя передней брюшной стенки у здоровых пациентов и пациентов с W2 и W3 - ПОВГ с помощью текстурного анализа, выявить межгрупповые различия и особенности топографо-анатомической организации тканей. Материалы и методы. В ретроспективное исследование включены 90 пациентов (30 без грыж, 30 с W2-ПОВГ, 30 с W3-ПОВГ), обследованных в 2020-2024 гг. Всем пациентам выполнено МСКТ брюшной полости. Далее аксиальные срезы были сегментированы на онлайн-платформе Roboflow. Полученные маски анализировались по текстурным характеристикам: яркость, контрастность, корреляция, куртоз, асимметрия, стандартное отклонение, LBP, вейвлет- и Габор-анализ. Для статистической обработки использованы ANOVA, критерий Крускала-Уоллиса и post-hoc анализ Тьюки. Результаты и обсуждение. Текстурный анализ мышечно-апоневротического слоя передней брюшной стенки выявил значимые различия между группами по Вейвлет- и Габор-анализу (p < 0,0001). Пациенты группы 2 существенно отличались от групп 1 и 3, тогда как группы 1 и 3 демонстрировали схожие характеристики тканей (p > 0,05), что может свидетельствовать об адаптационных изменениях у пациентов с наиболее выраженными грыжевыми дефектами. У пациентов группы 2 наблюдаются выраженные изменения структуры мышц, что подтверждается значимыми различиями по контрастности (p < 0,0001), корреляции (p < 0,0001) и куртозису (p = 0,001). При этом средняя яркость и однородность не показали статистически значимых различий между группами (p > 0,05), что указывает на схожесть общего распределения интенсивностей сигнала. Выводы. Наиболее выраженные признаки структурной дезорганизации мышечно-апоневротического слоя выявлены у пациентов с W2-ПОВГ, что указывает на морфофункциональную нестабильность. В группе W3-ПОВГ преобладают адаптационные процессы. Выявленные закономерности подтверждают этапность морфологических изменений при ПОВГ и подчеркивают значимость текстурного анализа для персонализированного хирургического планирования.

textural analysispostoperative ventral herniamusculo-aponeurotic layerstructural changesadaptive changesfibrosissurgical tacticsтекстурный анализпослеоперационная вентральная грыжамышечно-апоневротический слойструктурные измененияадаптационные измененияфиброзхирургическая тактикаLe Huu Nho R, Mege D, Ouaïssi M, Sielezneff I, Sastre B. Incidence and prevention of ventral incisional hernia. J Vasc Surg. 2012;149: e3‑e14. doi:10.1016/j.jviscsurg.2012.05.004Fink C, Baumann P, Wente MN, Knebel P, Bruckner T, Ulrich A, Werner J, Büchler MW, Diener MK. Incisional hernia rate 3 years after midline laparotomy. Br J Surg. 2014;101:51–54. doi:10.1002/bjs.9364Hernández-Gascón B, Mena A, Peña E, Pascual G, Bellón JM, Calvo B. Understanding the passive mechanical behavior of the human abdominal wall. Ann Biomed Eng. 2013;41(2):433–444. doi:10.1007/s10439–12–0672–7Deerenberg EB, Henriksen NA, Antoniou GA, Antoniou SA, Bramer W.M., Fischer JP, Fortelny RH, Gök H, Harris HW, Hope W, Horne CM, Jensen TK, Köckerling F, Kretschmer A, López-Cano M, Malcher F, Shao JM, Slieker JC, de Smet GHJ, Stabilini C, Torkington J, Muysoms FE. Updated guideline for closure of abdominal wall incisions from the European and American Hernia Societies. Br J Surg. 2022;109(12):1239–1250. doi:10.1093/bjs/znac302Farmer SE, James M. Contractures in orthopaedic and neurological conditions: a review of causes and treatment. Disabil Rehabil. 2001;13:549–558. doi:10.1080/09638280010029930International Atomic Energy Agency. Diagnostic Radiology Physics. Vienna: IAEA; 2014, 210 p.Gonzalez RC, Woods RE. Digital Image Processing. 3rd ed. Prentice Hall; 2008. ISBN: 978–0131687288Sonka M, Hlavac V, Boyle R. Image Processing, Analysis, and Machine Vision. 4th ed. Cengage Learning; 2014, 325 p.Haralick RM, Shanmugam K, Dinstein I. Textural features for image classification. IEEE Trans Syst Man Cybern. 1973; SMC‑3(6):610–621. doi:10.1109/TSMC.1973.4309314Ojala T, Pietikäinen M, Harwood D. A comparative study of texture measures with classification based on featured distributions. Pattern Recognit. 1996;29(1):51–59. doi:10.1016/0031–3203 (95) 00067-4Jain AK, Farrokhnia F. Unsupervised texture segmentation using Gabor filters. Pattern Recognit. 1991;24(12):1167–1186. doi:10.1016/0031-3203(91)90143-SMallat S. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Trans Pattern Anal Mach Intell. 1989;11(7):674–693. doi:10.1109/34.192463Daubechies I. Ten Lectures on Wavelets. SIAM; 1992. ISBN: 978-0-89871-274-2Unser M. Texture classification and segmentation using wavelet frames. IEEE Trans Image Process. 1995;4(11):1549–1560.Daugman JG. Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters. J Opt Soc Am A. 1985;2(7):1160–1169. doi:10.1364/JOSAA.2.001160Sonawane MR, Agrawal DG. Texture classification with feature analysis using wavelet approach: a review. Int J Sci Res. 2015;4(5):433–444. [cited 2025 Feb 20]. Available from: https://www.ijsr.net/archive/v4i5/SUB154186.pdfBarina D. Gabor wavelets in image processing. arXiv preprint. 2016;(1602.03308). [cited 2025 Feb 20]. Available from: https://arxiv.org/abs/1602.03308LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–444Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. MICCAI. 2015;234–241.Lakhani P, Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017;284(2):574–582. doi:10.1148/radiol.2017162326Breiman L. Random forests. Mach Learn. 2001;45(1):5–32.Lambin P., Rios-Velazquez E., Leijenaar R., Carvalho S., van Stiphout R.G.P.M., Granton P., Zegers C.M.L., Gillies R., Boellaard R., Dekker A., Aerts H.J.W.L. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer. 2017;48(4):441–446Aerts HJWL, Velazquez ER, Leijenaar RTH, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, Hoebers F, Rietbergen MM, Leemans CR, Dekker A, Quackenbush J, Gillies RJ, Lambin P. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun. 2014;5:4006Parshikov VV, Loginov VI. Components separation technique in treatment of patients with ventral and incisional hernias (review). Mod Technol Med. 2016;8(1):183. doi:10.17691/stm2016.8.1.24Whitehead-Clarke T, Windsor A. The use of botulinum toxin in complex hernia surgery: achieving a sense of closure. Front Surg. 2021;8:753889. doi:10.3389/fsurg.2021.753889