05.10.2022
Наш канал в Telegram: https://t.me/berzaru

Нейросеть научили распознавать хрящи запястья на томограмме

Хрящи запястья

Международная группа исследователей из Центра диагностики и телемедицины и Национального исследовательского университета ИТМО создали свёрточную нейронную сеть, которая научилась эффективно распознавать хрящи на двухмерных магнитно-резонансных томограммах запястья. Это позволит проводить более тщательное сравнение нормальной и патологической анатомии запястья при, например, остеоартрите, оценивать прогрессирование заболеваний и их ответ на лечение. Статья, опубликованная в журнале NMR in biomedicine, попала на обложку августовского номера издания.

Магнитно-резонансная томография считается лучшим средством визуализации для тканей головного мозга, органов малого таза и суставов. В том числе этот метод используется для оценки изменений в анатомии суставов, происходящих во время развития того или иного патологического процесса. Чтобы проанализировать структурную целостность хрящей суставов на изображениях, их нужно отделить от других тканей – сегментировать. Из-за того что разные ткани в этой области по контрасту могут совпадать с хрящами, автоматическая сегментация здесь затруднена, и золотым стандартом считается ручная сегментация – сложный и довольно трудоёмкий процесс, сильно зависящий при этом от опытности оператора.

Не так давно исследователи для улучшения качества автоматической сегментации начали предлагать свёрточные нейронные сети, которые уже продемонстрировали свои возможности в выделении хрящевой ткани коленного сустава. Нейросети подобной архитектуры входят в состав технологий глубокого обучения и нацелены на эффективное распознавание различных образов. Но для сегментации запястья подобных предложений существует не много. Учёные из Центра диагностики и телемедицины и ИТМО разработали и оптимизировали свёрточную нейросеть для полностью автоматической сегментации хряща лучезапястного сустава, а также оценили её эффективность по сравнению с другими нейросетями.

Для создания нейросети использовались планарная архитектура и ограниченное окружение классифицируемого вокселя (patch based, PB). Такой подход в обучении заключается в следующем: берётся пиксель на изображении, который необходимо классифицировать как «хрящ/не хрящ», и выделяется некоторое количество пикселей вокруг него для характеристики, а не все изображение целиком. Это обеспечивает оптимальную производительность при наличии ограниченного количества обучающих данных. В основу обучения нейросети легли 20 многослойных МР-исследований, полученных с использованием двух различных катушек от 11 человек (здоровые добровольцы и пациенты с остеоартритом). Эффективность методики сравнивалась с альтернативными нейросетями для сегментации суставов по МР-изображениям и с ручной сегментацией.

В итоге разработанная свёрточная нейронная сеть с PB-обучением опередила другие общепринятые нейросети. Также она продемонстрировала эффективность, схожую с ручной сегментацией (коэффициент подобия Серенсена – Дайса (DSC) = 0,81), в тех срезах (коронарных, вдоль ладони), которые более ценны для диагностики из-за визуализации большего количества хрящевой ткани. Тем не менее исследователи отмечают, что сеть несколько хуже справлялась со своими задачами в других срезах, где визуализировалось меньше хрящевой ткани.

«Наши результаты подчёркивают то, как важно включать достаточное количество пациентов в обучающие наборы исследований. Кроме того, точность этого подхода можно повысить с помощью стратифицированной выборки обучающих данных, полученной с помощью различных томографов. А для обеспечения более точного анализа всего сустава необходимо создавать полностью трёхмерные свёрточные нейросети», – отмечает руководитель исследования Анна Андрейченко, руководитель сектора медицинской информатики, радиомики и радиогеномики Центра диагностики и телемедицины.

Сегментация хрящей запястья по МР-исследованиям, основанная на глубоком обучении, поможет обнаружить так называемые биомаркеры визуализации заболеваний сустава, в том числе остеоартрита. В дальнейшем это даст возможность более точно оценивать прогрессирование патологий и их ответ на лечение.

Ссылка на источник.