Программный модуль для диагностики опухолей головного мозга на МРТ-изображениях
- Авторы: Тучинов Б.Н.1, Летягин А.Ю.1,2, Амелина Е.В.1, Амелин М.Е.3, Павловский Е.Н.1, Голушко .К.1
-
Учреждения:
- Новосибирский государственный университет
- Научно-исследовательский институт клинической и экспериментальной лимфологии — филиал Федерального исследовательского центра «Институт цитологии и генетики Сибирского отделения Российской академии наук»
- Федеральный центр нейрохирургии
- Выпуск: Том 4, № 1S (2023)
- Страницы: 138-140
- Раздел: Материалы конференции
- URL: https://jdigitaldiagnostics.com/DD/article/view/430372
- DOI: https://doi.org/10.17816/DD430372
- ID: 430372
Цитировать
Полный текст
Аннотация
Обоснование: основной причиной для разработки и внедрения технологий искусственного интеллекта (ИИ) в нейроонкологии является широкая распространённость опухолей головного мозга — до 200 случаев на 100 тыс. населения. Частота встречаемости первичного очага в головном мозге — 5–10%, но у 60–70% умерших от злокачественных новообразований обнаруживаются метастазы в головном мозге. Магнитно-резонансная томография (МРТ) — наиболее распространённый метод первичной неинвазивной диагностики опухолей головного мозга и контроля динамики заболевания. Одними из самых сложных задач в этой области являются классификация типов опухолей и определение клинических параметров (размер и объём) для проведения, диагностики и лечебных процедур, в том числе операции.
Цель: разработать программный модуль для дифференциальной диагностики новообразований головного мозга на МРТ-изображениях.
Методы: программный модуль основан на разработанном наборе данных — Siberian Brain Tumor Dataset (SBT), в котором содержится информация о более 1000 пациентов нейрохирургического профиля с полностью верифицированными постоперационными диагнозами (гистологически и иммуногистохимически). Источником данных для исследований и разработки является Федеральный центр нейрохирургии (г. Новосибирск). В основе лежат двух- и трёхмерные модели компьютерного зрения с предварительной обработкой данных МРТ-последовательности, включённые в пакеты: предконтрастное Т1-взвешенное изображение, постконтрастное Т1-взвешенное изображение, T2-взвешенное изображение, T2-взвешенные изображения с технологией инверсии-восстановления с ослаблением сигнала от жидкости. Данные модели позволяют с высокой точностью обнаруживать и распознавать 4 типа новообразований: менингиома, невринома, глиобластома и астроцитома, а также сегментировать и выделять компоненты и размеры: ET (часть опухоли, поглощающая Gd-содержащий контраст); TC (tumor core — ядро опухоли) = ET + Necr (некроз) + NenTu; WT (whole tumor — опухоль целиком) = TC + Ed (перитуморальный отёк).
Результаты: разработанный программный модуль демонстрирует высокие результаты сегментации на SBT по метрике Dice для областей ET 0,846; TC 0,867; WT 0,9174; Sens 0,881 и Spec 1,000. Проведена апробация и проверка на международном конкурсе BraTS Challenge 2021. На тестовом наборе данных получены значения DiceET 0,86588; DiceTC 0,86932 и DiceWT 0,921, что позволило разработанному программному модулю войти в десятку лидеров. По классификации полученные результаты демонстрируют не только высокие показатели точности до 92% при анализе пациентов (и до 89% при анализе срезов), но и очень высокий потенциал, а также перспективу для будущих исследований в этой области.
Заключение: разработанный программный модуль может быть использован для обучения специалистов и в клинической диагностике.
Полный текст
Обоснование: основной причиной для разработки и внедрения технологий искусственного интеллекта (ИИ) в нейроонкологии является широкая распространённость опухолей головного мозга — до 200 случаев на 100 тыс. населения. Частота встречаемости первичного очага в головном мозге — 5–10%, но у 60–70% умерших от злокачественных новообразований обнаруживаются метастазы в головном мозге. Магнитно-резонансная томография (МРТ) — наиболее распространённый метод первичной неинвазивной диагностики опухолей головного мозга и контроля динамики заболевания. Одними из самых сложных задач в этой области являются классификация типов опухолей и определение клинических параметров (размер и объём) для проведения, диагностики и лечебных процедур, в том числе операции.
Цель: разработать программный модуль для дифференциальной диагностики новообразований головного мозга на МРТ-изображениях.
Методы: программный модуль основан на разработанном наборе данных — Siberian Brain Tumor Dataset (SBT), в котором содержится информация о более 1000 пациентов нейрохирургического профиля с полностью верифицированными постоперационными диагнозами (гистологически и иммуногистохимически). Источником данных для исследований и разработки является Федеральный центр нейрохирургии (г. Новосибирск). В основе лежат двух- и трёхмерные модели компьютерного зрения с предварительной обработкой данных МРТ-последовательности, включённые в пакеты: предконтрастное Т1-взвешенное изображение, постконтрастное Т1-взвешенное изображение, T2-взвешенное изображение, T2-взвешенные изображения с технологией инверсии-восстановления с ослаблением сигнала от жидкости. Данные модели позволяют с высокой точностью обнаруживать и распознавать 4 типа новообразований: менингиома, невринома, глиобластома и астроцитома, а также сегментировать и выделять компоненты и размеры: ET (часть опухоли, поглощающая Gd-содержащий контраст); TC (tumor core — ядро опухоли) = ET + Necr (некроз) + NenTu; WT (whole tumor — опухоль целиком) = TC + Ed (перитуморальный отёк).
Результаты: разработанный программный модуль демонстрирует высокие результаты сегментации на SBT по метрике Dice для областей ET 0,846; TC 0,867; WT 0,9174; Sens 0,881 и Spec 1,000. Проведена апробация и проверка на международном конкурсе BraTS Challenge 2021. На тестовом наборе данных получены значения DiceET 0,86588; DiceTC 0,86932 и DiceWT 0,921, что позволило разработанному программному модулю войти в десятку лидеров. По классификации полученные результаты демонстрируют не только высокие показатели точности до 92% при анализе пациентов (и до 89% при анализе срезов), но и очень высокий потенциал, а также перспективу для будущих исследований в этой области.
Заключение: разработанный программный модуль может быть использован для обучения специалистов и в клинической диагностике.
Об авторах
Баир Николаевич Тучинов
Новосибирский государственный университет
Автор, ответственный за переписку.
Email: bairt@nsu.ru
ORCID iD: 0000-0002-8931-9848
SPIN-код: 2224-5343
Россия, Новосибирск
Андрей Юрьевич Летягин
Новосибирский государственный университет; Научно-исследовательский институт клинической и экспериментальной лимфологии — филиал Федерального исследовательского центра «Институт цитологии и генетики Сибирского отделения Российской академии наук»
Email: letyagin-andrey@yandex.ru
ORCID iD: 0000-0002-9293-4083
SPIN-код: 5660-5059
Россия, Новосибирск; Новосибирск
Евгения Валерьевна Амелина
Новосибирский государственный университет
Email: amelina.evgenia@gmail.com
ORCID iD: 0000-0001-7537-3846
SPIN-код: 8814-0913
Россия, Новосибирск
Михаил Евгеньевич Амелин
Федеральный центр нейрохирургии
Email: amelin81@gmail.com
ORCID iD: 0000-0002-5933-6479
SPIN-код: 7657-9571
Россия, Новосибирск
Евгений Николаевич Павловский
Новосибирский государственный университет
Email: pavlovskiy@post.nsu.ru
ORCID iD: 0000-0001-6976-1885
Россия, Новосибирск
Сергей Кузьмич Голушко
Новосибирский государственный университет
Email: s.k.golushko@gmail.com
ORCID iD: 0000-0002-0207-7648
SPIN-код: 8826-8439
Россия, Новосибирск
Список литературы
- Амелина Е.В., Летягин А.Ю., Тучинов Б.Н., и др. Особенности создания базы данных нейроонкологических 3D МРТ-изображений для обучения искусственного интеллекта // Сибирский научный медицинский журнал. 2022. Т. 42, № 6. С. 51–59. doi: 10.18699/SSMJ20220606
- Pnev S., Groza V., Tuchinov B., et al. Multi-Class Brain Tumor Segmentation via 3d and 2d Neural Networks. In: 2022 IEEE 19th International Symposium on Biomedical Imaging (ISBI). IEEE, 2022. P. 1–5.
- Sao Khue L.M., Pavlovskiy E. Binary Brain Tumor Classification With Semantic Features Using Convolutional Neural Network. In: 2022 Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). IEEE, 2022. P. 044–047.
- Pnev S., Groza V., Tuchinov B., et al. Brain Tumor Segmentation with Self-supervised Enhance Region Post-processing. In: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 7th International Workshop, BrainLes 2021, Held in Conjunction with MICCAI 2021, Virtual Event, Sep 27, 2021, Revised Selected Papers, Part II. Cham : Springer International Publishing, 2022. P. 267–275.
- Menze B.H., Jakab A., Bauer S., et al. The multimodal brain tumor image segmentation benchmark (BRATS) // IEEE Trans Med Imaging. 2015. Vol. 34, N 10. P. 1993–2024. doi: 10.1109/TMI.2014.2377694
- Bakas S., Akbari H., Sotiras A., et al. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features // Sci Data. 2017. Vol. 4. P. 170117. doi: 10.1038/sdata.2017.117
- Baid U., Ghodasara S., Mohan S., et al. The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain tumor segmentation and radiogenomic classification // Computer Vision and Pattern Recognition. 2021. P. 2107.02314. doi: 10.48550/arXiv.2107.02314
- Louis D.N., Perry A., Wesseling P., et al. The 2021 WHO classification of tumors of the central nervous system: a summary // Neuro Oncol. 2021. Vol. 23, N 8. P. 1231–1251. doi: 10.1093/neuonc/noab106