Ученые СПбГЭТУ «ЛЭТИ» совместно с специалистами из Университета Джадавпур (Индия) разработали ансамблевый метод сегментации МРТ-изображений головного мозга, который может ускорить исследование диагностики глиобластомы.
Глиобластома – злокачественное новообразование головного мозга – составляет более 50% всех первичных опухолей центральной нервной системы и характеризуется низкой выживаемостью пациентов, что подчеркивает важность ранней диагностики. Исследования причин возникновения этого заболевания продолжаются. Радиационное воздействие или семейный анамнез могут быть факторами риска. Опасность болезни заключается в том, что на ранних стадиях опухоль может не проявлять характерных признаков или быть слишком малой, из-за чего ее своевременно выявить бывает сложно.
Для диагностики этой формы опухоли головного мозга применяют магнитно-резонансную томографию, которая лучше всего видна мягких тканей.
Метод позволяет локализовать опухоль при планировании лечения и оценить результаты терапии.
Результаты МРТ дают различные типы контрастных изображений тканей, что четко различает на снимке три типа патологических тканей: ядро опухоли (самые активные клетки), некроз (мертвые клетки внутри ядра опухоли) и отек (скопление жидкости).
Сегментация опухоли головного мозга на МРТ-изображениях может предоставлять дополнительные сведения, например, о размерах и объёме опухоли, её структуре, динамике изменений и т.д., что позволяет существенно улучшить диагностику и лечение пациентов.
Машинное обучение существенно ускоряет обработку медицинских изображений. Чаще всего сегментацию осуществляют с помощью традиционных методов машинного обучения, но в последнее время во всем мире исследователи всё активнее используют глубокое обучение для улучшения качества сегментации.
В соавторстве с индийскими коллегами был создан алгоритм сегментации трех видов патологических тканей опухоли (ядро, некроз и отек) на МРТ-снимках головного мозга. Принцип работы основан на объединении трёх базовых архитектур сверточных нейронных сетей с применением нечеткой ранговой унификации двух нелинейных функций для учета уверенности прогнозов каждой из базовых моделей. По результатам исследования среднее значение метрики Dice на тестовой выборке составило 85,5%. Дария Андреевна Валенкова, инженер информационно-методического центра факультета компьютерных технологий и информатики (ИМЦ ФКТИ) СПбГЭТУ «ЛЭТИ», рассказала.
Алгоритм начинается с предобработки изображений МРТ, которая стандартизирует данные независимо от типа сканера. Затем обработаны изображения направляются в три сверточные нейронные сети (SegResNet, UNETR и SwinUNETR), каждое из которых генерирует своё предсказание благодаря особенностям своей архитектуры.
В итоге сегментацию получают путём рангового объединения, которое учитывает точность предсказаний базовых моделей. Этот метод включает две функции: первая понижает вес класса при низкой вероятности по сравнению с другими, а вторая повышает его при высокой вероятности предсказания. Такая стратегия корректирует результаты и учесть точность предсказаний от трёх различных моделей.
На финальном этапе итоговый класс формируется посредством взвешенного рангового голосования. Разработанный алгоритм способствует равновесию между моделями и повышает точность конечной сегментации.
Загрузив в модель МРТ-изображение, можно получить трехмерное сегментирование опухоли головного мозга. Данный метод может стать системой поддержки принятия врачебных решений, помогая извлекать дополнительную информацию из МРТ-изображений. В будущем планируется повысить точность предсказания моделей с помощью различных методов предварительной обработки изображений при обучении. – подчеркнула Дария Андреевна Валенкова.
В планах исследователей – создание решения по извлечению количественных показателей из медицинских снимков. Это позволит автоматизировать обработку медицинской информации и предсказание исходов лечения.
Результаты исследования опубликованы в Biomedical Signal Processing and ControlИсследование проведено при финансовой помощи Министерства науки и высшего образования Российской Федерации по заданию государства (ФСЭО-2020-0002).
В коллектив проекта вошли исследователи СПбГЭТУ «ЛЭТИ»: аспирант кафедры автоматики и процессов управления Ася Илезовна Льянова, старший научный сотрудник кафедры радиотехнических систем Александр Михайлович Синица, доцент кафедры автоматики и процессов управления Дмитрий Ильич Каплун, а также профессор Университета Джадавпур Рам Саркар.
Источник информации: СПбГЭТУ «ЛЭТИ» им. В.И. Ульянова (Ленина)
Источник фото: ru.123rf.com