Сегодня такое злокачественное новообразование головного мозга, как глиобластома, составляет более 50% всех первичных опухолей центральной нервной системы и характеризуется низкой выживаемостью пациентов, что подчеркивает необходимость ранней диагностики. Исследования по выявлению истинных причин возникновения данного заболевания продолжаются. Одними из факторов риска могут быть радиационное воздействие или семейный анамнез (история болезни). Данное заболевание опасно по той причине, что на ранних стадиях развития опухоль может не проявлять характерные признаки или быть слишком малой, из-за чего не всегда удается ее выявить вовремя.
Для диагностики данной формы опухоли головного мозга используется магнитно-резонансная томография (МРТ), которая обеспечивает лучшую видимость структур мягких тканей. Она дает возможность локализовать опухоли во время планирования соответствующего лечения, а затем оценить результаты терапии. Кроме того, результаты МРТ дают различные типы контрастных изображений тканей. Это позволяет четко различить на изображении три типа патологических тканей: ядро опухоли (наиболее активные клетки), некроз (мертвые клетки внутри ядра опухоли) и отек (скопление жидкости).
Ряд дополнительных знаний (определение размеров и объема опухоли, анализ структуры, мониторинг изменений и т.п.), которые могут значительно улучшить диагностику и лечение пациентов предоставляет сегментация опухоли головного мозга на МРТ-изображениях. Однако ручная сегментация требует значительных временных и трудовых затрат со стороны лабораторного персонала (около 60 минут на одно изображение) и квалифицированных специалистов в области радиологии для выполнения этих задач.
Обработку медицинских изображений значительно позволяет ускорить подход, основанный на машинном обучении. Обычно сегментация выполняется с использованием классических методов машинного обучения, но в последнее время исследователи по всем миру чаще применяют глубокое обучение для повышения показателей качества сегментации.
«Совместно с коллегами из Индии мы разработали алгоритм сегментации трех видов патологических тканей опухоли (ядро, некроз и отек) на МРТ-снимках головного мозга. Основная идея заключается в объединении трех базовых архитектур сверточных нейронных сетей с использованием нечеткой ранговой унификации двух нелинейных функций, что позволяет учитывать уверенность в прогнозах каждой из базовых моделей. В результате исследования среднее значение метрики Dice на тестовой выборке составила 85,5%». – Инженер информационно-методического центра факультета компьютерных технологий и информатики (ИМЦ ФКТИ), магистрант ФКТИ СПбГЭТУ «ЛЭТИ» Дария Андреевна Валенкова
Первым важным этапом алгоритма является предобработка МРТ-изображения, которая позволяет унифицировать данные вне зависимости от используемого сканера. Полученные изображения подаются на вход трем различным сверточным нейронным сетям (SegResNet, UNETR и SwinUNETR), предсказания которых могут отличаться в силу особенностей каждой архитектуры.
Чтобы получить итоговую сегментацию, исследователи используют ранговое объединение, которое учитывает надежность прогнозов базовых моделей. Этот метод включает две функции: первая уменьшает значимость класса, если его вероятность ниже, чем у других, а вторая увеличивает значение, если предсказание более вероятно. Такой подход позволяет скорректировать результаты и учесть надежность прогнозов, полученные от трех разных моделей.
На последнем этапе итоговый класс определяется как результат взвешенного рангового голосования. Разработанный алгоритм обеспечивает баланс между моделями и улучшает точность итоговой сегментации.
«Для использования данного метода достаточно загрузить МРТ-изображение в модель, на выходе которой формируется трехмерное сегментирование опухоли головного мозга. Таким образом, в перспективе метод может служить системой поддержки принятия врачебных решений, помогая извлекать дополнительную информацию из МРТ-изображения. В будущем мы планируем повысить точность предсказания моделей, применяя различные методы предварительной обработки изображений при их обучении». – Инженер ИМЦ ФКТИ, магистрант 2 курса ФКТИ СПбГЭТУ «ЛЭТИ» Дария Андреевна Валенкова
Исследователи планируют разработать решение для извлечения количественных характеристик, извлекаемых из медицинских изображений, что позволит автоматизировать анализ медицинских данных и прогнозирование результатов лечения.
Результаты исследования опубликованы в Biomedical Signal Processing and Control. Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации в рамках государственного задания (ФСЭО-2020-0002).
В коллектив проекта также вошли исследователи из СПбГЭТУ «ЛЭТИ» – аспирант кафедры автоматики и процессов управления (АПУ), м. н. с. кафедры радиотехнических систем (РС) Ася Илезовна Льянова, с. н. с. кафедры РС Александр Михайлович Синица, доцент кафедры АПУ, в. н. с. кафедры РС Дмитрий Ильич Каплун, а также профессор Университета Джадавпур Рам Саркар.