Автор: 
Сердечно-сосудистые заболевания — основная причина смертности во всём мире. Чтобы вовремя обнаружить патологию, важно своевременно проводить диагностику, в том числе находить фиброз — рубцовую ткань, которая может образоваться после инфаркта миокарда (постинфарктный кардиосклероз) или инфекционных заболеваний. Один из перспективных методов исследования сердца — магнитно-резонансная томография. Это малоинвазивный способ, использующий неионизирующее излучение.
Однако на морфометрию, точное измерение объёма фиброза, рентгенологи тратят много времени: вручную определяют примерный процент фиброзной ткани в том или ином сегменте сердца и заносят эту информацию в таблицу для построения 17-сегментной диаграммы. В среднем обработка одной серии снимков занимает от одного до двух часов на одного пациента. Сократить время обработки снимков можно с помощью нейросетей, однако существующие модели достаточно неточные и трудозатратные — они требуют ручного или полуавтоматического выделения области фиброза, то есть присутствия рентгенолога. Поэтому перед учёными стоит задача автоматизировать генерацию 17-сегментных диаграмм сердца на основе МРТ-изображения.
Чтобы ускорить и автоматизировать обработку МРТ-снимков сердца и быстро определять на них фиброз, учёные из России разработали полуавтоматическую модель на основе глубокого обучения. Она решает задачу поэтапно: сначала определяет область сердца, в которой находится миокард, затем выявляет наличие фиброза, распознаёт 17 сегментов, на которые принято делить сердце, и оценивает объём фиброза в каждом из них. В предложенном алгоритме пользователю нужно только отметить несколько точек на изображении сердца и классифицировать срезы, а сегментация тканей и генерация 17-сегментной диаграммы полностью автоматизированы.
В отличие от специалиста, у которого на обработку изображения уходит около 1–2 часов, модель справляется за пару минут. Кроме того, для анализа модели достаточно снимка сердца в одной проекции, в то время как врачам может понадобиться несколько снимков в разных проекциях, а значит, и больше времени на МРТ-исследование и его анализ. Для сегментации миокарда и обнаружения фиброза авторы использовали нейросеть U-Net, а также каскадный алгоритм. Модель обучили на изображениях сердца, размеченных экспертами вручную, а также базе данных из постинфарктных МРТ-снимков сердца. Выборка пациентов, чьи снимки были использованы, составила 250 человек.
Разработчики добились точности, при которой результат алгоритма совпадает с мнениями двух экспертов в 86% и 77% случаев. Авторы считают это высоким показателем: обычно межэкспертное согласие составляет порядка 80%, то есть модель работает примерно на уровне человека. На основе данных о локализации и количестве фиброза врачи смогут быстро и точно прогнозировать осложнения для функции сердца и исходы заболеваний, в динамике наблюдать состояние сердца и разрабатывать более эффективную стратегию лечения. В перспективе алгоритм можно использовать не только для обработки МРТ-снимков, но и адаптировать для изображений, получаемых с помощью компьютерной томографии.
