Применение методов машинного обучения и обработки медицинских изображений в решении задачи обнаружения стенозов средней мозговой артерии по данным компьютерно-томографической ангиографии

Обложка


Цитировать

Полный текст

Аннотация

Обоснование. Ишемический инсульт — одна из ведущих причин смертности как в России, так и во всём мире [1]. Одним из основных методов диагностики ишемического инсульта является компьютерная томографическая ангиография, позволяющая определить наличие стеноза или окклюзии церебральных артерий. Большая часть ишемических инсультов (51%) приходится на бассейн средней мозговой артерии [2], что обусловливает повышенный интерес к оценке кровотока именно в данной области головного мозга. Ручное определение стенозов отличается субъективностью оценки и требует значительных временных затрат. Автоматизация обнаружения сужений средней мозговой артерии является востребованной задачей анализа изображений компьютерной томографической ангиографии.

Цель — разработка алгоритма автоматического обнаружения стенозов в средней мозговой артерии на DICOM-изображениях компьютерной томографической ангиографии на основе применения искусственных нейронных сетей, алгоритмов оценки сосудистости и скелетонизации.

Материалы и методы. Были использованы 262 серии компьютерной томографической ангиографии пациентов Научно-исследовательского института скорой помощи имени Н.В. Склифосовского, из них 94 серии — со стенозом в М1/М2 сегменте средней мозговой артерии. Для обработки изображений применялась искусственная нейронная сеть с архитектурой архитектуры CFPNet-M [3]. Реконструкция сосудистого дерева была основана на вычислении меры «сосудистости» (vesselness) [4] с последующей скелетонизацией выявленных структур.

Результаты. На первом этапе работы была обучена нейронная сеть для сегментации бассейна средней мозговой артерии: обучающий массив был сформирован с помощью шаблона MNI152 с применением аффинных преобразований и их последующей экспертной оценкой. При этом мера IoU (Intersection over Union) составила 0,81. Основным этапом являлась сегментация сосудистого дерева средней мозговой артерии на основе использования фильтра vesselness с последующей оценкой интенсивности вокселей и поиском связанного объекта с наибольшей длиной. Далее осуществлялось построение скелета средней мозговой артерии, то есть определение осевой линии сосуда с представлением получившегося скелета в виде графа, рёбрами которого являются сосуды, а вершинами точки их бифуркаций. Следующим этапом производился расчёт морфологических признаков (диаметр, площадь и периметр) в плоскости поперечного сечения для каждого сегмента (участка между точками бифуркации). На последнем этапе определялась область сужения на основе анализа поведения сечений сегментов с нахождением отклонения от порогового значения. Общая точность алгоритма составила 79,39% (95% доверительный интервал 73,98–84,12), чувствительность — 80,85% (95% доверительный интервал 71,44–88,24), специфичность — 78,57% (95% доверительный интервал 71,59–84,52).

Заключение. Таким образом, был разработан алгоритм детекции стенозов в М1/М2 сегменте на основе сегментации бассейна средней мозговой артерии, оценки vesselness и скелетонизации сосудистого дерева. Применение разработанного алгоритма на практике, после его валидации и клинической апробации, позволит упростить рутинную оценку изображений компьютерной томографической ангиографии врачами-рентгенологами и даст возможность получения объективной оценки области стеноза.

Полный текст

Обоснование. Ишемический инсульт — одна из ведущих причин смертности как в России, так и во всём мире [1]. Одним из основных методов диагностики ишемического инсульта является компьютерная томографическая ангиография, позволяющая определить наличие стеноза или окклюзии церебральных артерий. Большая часть ишемических инсультов (51%) приходится на бассейн средней мозговой артерии [2], что обусловливает повышенный интерес к оценке кровотока именно в данной области головного мозга. Ручное определение стенозов отличается субъективностью оценки и требует значительных временных затрат. Автоматизация обнаружения сужений средней мозговой артерии является востребованной задачей анализа изображений компьютерной томографической ангиографии.

Цель — разработка алгоритма автоматического обнаружения стенозов в средней мозговой артерии на DICOM-изображениях компьютерной томографической ангиографии на основе применения искусственных нейронных сетей, алгоритмов оценки сосудистости и скелетонизации.

Материалы и методы. Были использованы 262 серии компьютерной томографической ангиографии пациентов Научно-исследовательского института скорой помощи имени Н.В. Склифосовского, из них 94 серии — со стенозом в М1/М2 сегменте средней мозговой артерии. Для обработки изображений применялась искусственная нейронная сеть с архитектурой архитектуры CFPNet-M [3]. Реконструкция сосудистого дерева была основана на вычислении меры «сосудистости» (vesselness) [4] с последующей скелетонизацией выявленных структур.

Результаты. На первом этапе работы была обучена нейронная сеть для сегментации бассейна средней мозговой артерии: обучающий массив был сформирован с помощью шаблона MNI152 с применением аффинных преобразований и их последующей экспертной оценкой. При этом мера IoU (Intersection over Union) составила 0,81. Основным этапом являлась сегментация сосудистого дерева средней мозговой артерии на основе использования фильтра vesselness с последующей оценкой интенсивности вокселей и поиском связанного объекта с наибольшей длиной. Далее осуществлялось построение скелета средней мозговой артерии, то есть определение осевой линии сосуда с представлением получившегося скелета в виде графа, рёбрами которого являются сосуды, а вершинами точки их бифуркаций. Следующим этапом производился расчёт морфологических признаков (диаметр, площадь и периметр) в плоскости поперечного сечения для каждого сегмента (участка между точками бифуркации). На последнем этапе определялась область сужения на основе анализа поведения сечений сегментов с нахождением отклонения от порогового значения. Общая точность алгоритма составила 79,39% (95% доверительный интервал 73,98–84,12), чувствительность — 80,85% (95% доверительный интервал 71,44–88,24), специфичность — 78,57% (95% доверительный интервал 71,59–84,52).

Заключение. Таким образом, был разработан алгоритм детекции стенозов в М1/М2 сегменте на основе сегментации бассейна средней мозговой артерии, оценки vesselness и скелетонизации сосудистого дерева. Применение разработанного алгоритма на практике, после его валидации и клинической апробации, позволит упростить рутинную оценку изображений компьютерной томографической ангиографии врачами-рентгенологами и даст возможность получения объективной оценки области стеноза.

×

Об авторах

Максим Владимирович Соломинов

ООО «Гаммамед-Софт»

Автор, ответственный за переписку.
Email: msolominov@yandex.ru
ORCID iD: 0009-0007-6590-8748
Россия, Москва

Денис Владимирович Пахомов

ООО «Гаммамед-Софт»

Email: pakhomovdv0@gmail.com
ORCID iD: 0009-0009-0122-8887
Россия, Москва

Татьяна Александровна Загрязкина

ООО «Гаммамед-Софт»

Email: zagrtatyana@gmail.com
ORCID iD: 0009-0003-7620-0535
SPIN-код: 8840-2625
Россия, Москва

Список литературы

  1. GBD 2019 Stroke Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019 // The Lancet Neurology. 2021. Vol. 20, N 10. P. 795–820. doi: 10.1016/S1474-4422(21)00252-0
  2. Ng Y.S., Stein J., Ning M., Black-Schaffer R.M. Comparison of clinical characteristics and functional outcomes of ischemic stroke in different vascular territories // Stroke. 2007. Vol. 38, N 8. P. 2309–2314. doi: 10.1161/STROKEAHA.106.475483
  3. Lou A., Guan S., Loew M.. CFPNet-M: A light-weight encoder-decoder based network for multimodal biomedical image real-time segmentation // Comput Biol Med. 2023. Vol. 154. P. 106579. doi: 10.1016/j.compbiomed.2023.106579
  4. Jerman T., Pernus F., Likar B., Spiclin Z. Enhancement of Vascular Structures in 3D and 2D Angiographic Images // IEEE Trans Med Imaging. 2016. Vol. 35, N 9. P. 2107–2118. doi: 10.1109/TMI.2016.2550102

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 79539 от 09 ноября 2020 г.


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах