Определение фолликулярного резерва яичников по данным ультразвукового исследования на основе методов машинного обучения
- Авторы: Лапутин Ф.А.1, Сидоров И.В.1, Мошкин А.С.2
-
Учреждения:
- Национальный исследовательский университет «Высшая школа экономики»
- Орловский государственный университет имени И.С. Тургенева
- Выпуск: Том 5, № 1S (2024)
- Страницы: 40-42
- Раздел: МОЛОДЫЕ УЧЕНЫЕ: тезисы конференции НПКЦ
- Статья получена: 28.01.2024
- Статья одобрена: 07.03.2024
- Статья опубликована: 03.07.2024
- URL: https://jdigitaldiagnostics.com/DD/article/view/626171
- DOI: https://doi.org/10.17816/DD626171
- ID: 626171
Цитировать
Полный текст
Аннотация
Обоснование. Овариальный резерв отражает способность женщины к успешной реализации репродуктивной функции. Оценка овариального резерва является актуальной задачей для клинической практики [1] и важна при проведении научных исследований. Использование методов компьютерной обработки диагностических изображений способно ускорить и облегчить выполнение рутинных задач в клинической практике. Их применение при ретроспективном анализе данных в научных целях позволяет повысить объективность исследования, дополнить его вспомогательной информацией [2].
Рассматриваемая задача локализации яичников и фолликулов на ультразвуковых снимках уже исследовалась в других работах. Например, Z. Chen и соавт. [3] применяли модель U-net для сегментации фолликулов на ультразвуковых снимках. А в статье V.K. Singh и соавт. [4] похожая задача решалась с использованием модификации U-net, называемой UNet++ [5], которая является очень популярной моделью для анализа медицинских изображений [6].
Цель — разработка моделей машинного обучения для анализа изображений яичников, полученных с аппарата ультразвуковой диагностики.
Материалы и методы. Для предварительного обучения моделей сегментации яичников и детекции фолликулов использовался открытый набор данных с размеченной областью яичника [7]. Затем для обучения и тестирования использовался собранный нами набор данных, который содержит разметку областей яичников и фолликулов. Всего в нём находится около 800 примеров 50 уникальных пациентов.
Локализация фолликулов на ультразвуковом снимке является сложной задачей, поэтому проектируемая система детектора была разделена на две части: сегментация яичника и детекция фолликулов внутри выделенной области. Это позволяет сконцентрировать внимание модели на области, где нет других органов и различных артефактов ультразвуковой диагностики, которые могут быть ложно восприняты как исследуемый объект. Для сегментации яичников мы использовали архитектуру UNet++ [5] с ResNeSt кодировщиком [8], который объединяет в себе механизмы внимания SE-Net [9] и SK-Net [10].
Для нахождения местоположения фолликулов внутри яичника используется модель детекции объектов, поскольку она позволяет произвести точный подсчёт количества фолликулов, даже если они перекрывают друг друга, чего не может сделать модель сегментации. В своей работе мы использовали YOLOv8 [11].
Кроме того, для улучшения качества предсказаний моделей использована предобработка данных: детекция и удаление области со вспомогательной информацией, снижение шума и аугментации.
Результаты. По результатам данной работы представлены две модели локализации яичников: модель сегментации с качеством IoU не менее 50% и модель детекции с качеством mAP не менее 65%. Модель для детекции фолликулов с последующим подсчётом их количества с ошибкой MAPE не выше 35%.
Заключение. В результате проведённого исследования было предложено, как применить методы машинного обучения для задачи анализа снимков ультразвуковых снимков. Разработанные модели сегментации и детекции уменьшают время и ошибки при анализе яичников и фолликулов на снимках. Использование механизма внимания и предобработки данных повышает качество моделей. Нейронная сеть для детекции фолликулов обеспечивает их подсчёт, даже при их перекрытии.
Полный текст
Обоснование. Овариальный резерв отражает способность женщины к успешной реализации репродуктивной функции. Оценка овариального резерва является актуальной задачей для клинической практики [1] и важна при проведении научных исследований. Использование методов компьютерной обработки диагностических изображений способно ускорить и облегчить выполнение рутинных задач в клинической практике. Их применение при ретроспективном анализе данных в научных целях позволяет повысить объективность исследования, дополнить его вспомогательной информацией [2].
Рассматриваемая задача локализации яичников и фолликулов на ультразвуковых снимках уже исследовалась в других работах. Например, Z. Chen и соавт. [3] применяли модель U-net для сегментации фолликулов на ультразвуковых снимках. А в статье V.K. Singh и соавт. [4] похожая задача решалась с использованием модификации U-net, называемой UNet++ [5], которая является очень популярной моделью для анализа медицинских изображений [6].
Цель — разработка моделей машинного обучения для анализа изображений яичников, полученных с аппарата ультразвуковой диагностики.
Материалы и методы. Для предварительного обучения моделей сегментации яичников и детекции фолликулов использовался открытый набор данных с размеченной областью яичника [7]. Затем для обучения и тестирования использовался собранный нами набор данных, который содержит разметку областей яичников и фолликулов. Всего в нём находится около 800 примеров 50 уникальных пациентов.
Локализация фолликулов на ультразвуковом снимке является сложной задачей, поэтому проектируемая система детектора была разделена на две части: сегментация яичника и детекция фолликулов внутри выделенной области. Это позволяет сконцентрировать внимание модели на области, где нет других органов и различных артефактов ультразвуковой диагностики, которые могут быть ложно восприняты как исследуемый объект. Для сегментации яичников мы использовали архитектуру UNet++ [5] с ResNeSt кодировщиком [8], который объединяет в себе механизмы внимания SE-Net [9] и SK-Net [10].
Для нахождения местоположения фолликулов внутри яичника используется модель детекции объектов, поскольку она позволяет произвести точный подсчёт количества фолликулов, даже если они перекрывают друг друга, чего не может сделать модель сегментации. В своей работе мы использовали YOLOv8 [11].
Кроме того, для улучшения качества предсказаний моделей использована предобработка данных: детекция и удаление области со вспомогательной информацией, снижение шума и аугментации.
Результаты. По результатам данной работы представлены две модели локализации яичников: модель сегментации с качеством IoU не менее 50% и модель детекции с качеством mAP не менее 65%. Модель для детекции фолликулов с последующим подсчётом их количества с ошибкой MAPE не выше 35%.
Заключение. В результате проведённого исследования было предложено, как применить методы машинного обучения для задачи анализа снимков ультразвуковых снимков. Разработанные модели сегментации и детекции уменьшают время и ошибки при анализе яичников и фолликулов на снимках. Использование механизма внимания и предобработки данных повышает качество моделей. Нейронная сеть для детекции фолликулов обеспечивает их подсчёт, даже при их перекрытии.
Об авторах
Фёдор Александрович Лапутин
Национальный исследовательский университет «Высшая школа экономики»
Автор, ответственный за переписку.
Email: falaputin@edu.hse.ru
ORCID iD: 0009-0009-4037-799X
Россия, Москва
Иван Владимирович Сидоров
Национальный исследовательский университет «Высшая школа экономики»
Email: ivsidorov@edu.hse.ru
ORCID iD: 0009-0004-5150-2737
Россия, Москва
Андрей Сергеевич Мошкин
Орловский государственный университет имени И.С. Тургенева
Email: as.moshkin@internet.ru
ORCID iD: 0000-0003-2085-0718
SPIN-код: 9718-2516
Россия, Орел
Список литературы
- Николенко В.Н., Геворгян М.М., Мошкин А.С., Унанян А.Л., Оганесян М.В. Сравнительная характеристика объема яичников и количества фолликулов по данным МРТ-исследования в аспекте оценки овариального резерва в различные возрастные периоды женщин // Международная научно-практическая конференция «Современная медицина: новые подходы и актуальные исследования»; Октябрь 22, 2020; Грозный. EDN: RWSZNS doi: 10.36684/33-2020-1-584-593
- Свидетельство о государственной регистрации программы для ЭВМ № 2022666924/ 12.09.2022. Мошкин А.С. Программа анализа видеорезультатов проведения ультразвуковой допплерографии (ПАВУД). EDN: LPERUS
- Chen Z., Zhang C., Li Z., Yang J., Deng H. Automatic segmentation of ovarian follicles using deep neural network combined with edge information // Frontiers in Reproductive Health. 2022. Vol. 4. doi: 10.3389/frph.2022.877216
- Singh V.K., Yousef Kalafi E., Cheah E., et al. HaTU-Net: Harmonic Attention Network for Automated Ovarian Ultrasound Quantification in Assisted Pregnancy // Diagnostics. 2022. Vol. 12, N 12. P. 3213. doi: 10.3390/diagnostics12123213
- Zhou Z., Rahman Siddiquee M.M., Tajbakhsh N., Liang J. UNet++: A Nested U-Net Architecture for Medical Image Segmentation // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support - 4th International Workshop, DLMIA 2018 and 8th International Workshop, ML-CDS 2018 Held in Conjunction with MICCAI 2018; September 20, 2018; Granada. doi: 10.1007/978-3-030-00889-5_1
- Zaev R.I., Romanov A.Y., Solovyev R.A. Segmentation of Prostate Cancer on TRUS Images Using ML // International Russian Smart Industry Conference, SmartIndustryCon; 2023. doi: 10.1109/SmartIndustryCon57312.2023.10110727
- Zhao Q., Lyu S., Bai W., et al. MMOTU: A Multi-Modality Ovarian Tumor Ultrasound Image Dataset for Unsupervised Cross-Domain Semantic Segmentation // arXiv. Preprint. 2022.
- Zhang H., Wu C., Zhang Z., et al. ResNeSt: Split-Attention Networks // IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW); 2022; New Orleans. doi: 10.1109/CVPRW56347.2022.00309
- Hu J., Shen L., Sun G. Squeeze-and-Excitation Networks // IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2018, Salt Lake City. doi: 10.1109/CVPR.2018.00745
- Li X., Wang W., Hu X., Yang J. Selective Kernel Networks // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR); June, 2019. doi: 10.1109/CVPR.2019.00060
- Ultralytics YOLOv8 Docs [интернет]. Ultralytics Inc.; c2024. [дата обращения: 09.02.2024]. Режим доступа: https://docs.ultralytics.com/ru
Дополнительные файлы
![](/img/style/loading.gif)