В настоящее время нейронные сети широко используются для диагностики различных заболеваний, поскольку они способны анализировать медицинские изображения, например, снимки, полученные методом магнитно-резонансной томографии (МРТ). МРТ позволяет создавать большое количество последовательных изображений внутренних органов и тканей, которые затем с использованием компьютерной обработки объединяются в одну детальную трёхмерную или двумерную визуализацию, отображающую анатомические структуры и возможные отклонения от нормы.
Для того чтобы избежать переобучения нейронных сетей, требуется значительный объём информации, в частности, МРТ-изображения головного мозга как здоровых людей, так и пациентов с опухолями. Применение этих данных сопряжено с необходимостью получения письменного согласия от каждого пациента, что создаёт трудности для применения методов машинного обучения. В связи с этим, учёные ищут способы преодоления этих сложностей.
«Чтобы справиться с этой задачей, мы использовали традиционные алгоритмы, объединив три метода, способные определять важные точки на магнитно-резонансных томограммах головного мозга, включая извилины, утолщения и другие структуры. Также эти методы позволяют отсеивать элементы, которые могут свидетельствовать об отклонениях, такие как патологические новообразования или изменения в структуре тканей. Используя полученные данные, разработанный подход классифицирует опухоли головного мозга, что обеспечило более точные результаты по сравнению с нейросетевыми алгоритмами при решении аналогичных задач», – пояснил доцент кафедры математического обеспечения и применения электронных вычислительных машин СПбГЭТУ «ЛЭТИ» Антон Юрьевич Филатов.
Изначально, для поиска ключевых точек, обозначающих извилины, утолщения и другие особенности на МРТ-снимках, исследователи применяли алгоритм гистограммы – графического представления распределения числовых данных в виде столбчатой диаграммы. Анализ градиентов позволил выявлять изменения цветовой гаммы между соседними пикселями, что способствовало обнаружению областей с резкими цветовыми перепадами, указывающими на потенциальные аномалии, такие как патологические новообразования и изменения в структуре тканей.
В конечном итоге был сформирован набор многомерных векторов, характеризующих основные точки, однако среди них оказалось немало избыточных. Для определения наиболее важных точек были применены алгоритмы искусственного интеллекта, позволившие установить принципы отбора и исключения ненужных элементов. В результате, из десятков тысяч точек осталось лишь несколько сотен, которые можно было использовать для дальнейшего анализа.
Для точного определения типа, степени злокачественности и локализации опухоли мозга необходимо ее классифицировать. Это позволяет выбрать наиболее эффективную тактику лечения, спрогнозировать результат и подобрать подходящую реабилитацию. В целях классификации исследователи применили традиционный метод кластеризации на основе искусственного интеллекта. Алгоритм проанализировал приблизительно 1000 магнитно-резонансных снимков головного мозга, полученных у здоровых и больных людей, чтобы научить модель различать их по расположению ключевых ориентиров.