107023, Москва, ул. Большая Семёновская, 38
Ivan O. Nikishev
107023, Moscow, Bolshaya Semyonovskaya st., 38
129090, Москва, ул. Щепкина, 35
Gleb S. Sergeev - candidate of medical sciences.
129090, Moscow, Shchepkina st., 35
107023, Москва, ул. Большая Семёновская, 38
Vladislav Yu. Vereshchagin - candidate of technical sciences.
107023, Moscow, Bolshaya Semyonovskaya st., 38
129090, Москва, ул. Щепкина, 35; 117198, Москва, ул. Миклухо-Маклая, 6; 630055, Новосибирск, ул. Речкуновская, 15
Alexey L. Krivoshapkin - doctor of medical sciences, professor.
129090, Moscow, Shchepkina st., 35; 117198, Moscow, Miklukho-Maklaya st., 6; 630055, Novosibirsk, Rechkunovskaya st., 15
Точная и быстрая сегментация магнитно-резонансных (МР) изображений с объемными образованиями головного мозга, например глиобластом и менингиом, помогает спланировать хирургическое и лучевое лечение, увеличить безопасность и радикальность хирургического вмешательства, что в свою очередь позволяет повысить общую продолжительность жизни пациентов и безрецидивный период.
Цель исследования – разработка и оценка эффективности глубокой сверточной нейронной сети с пропускающими соединениями для автоматической сегментации объемных образований головного мозга (менингиомы и глиобластомы) на послеоперационных МР-изображениях, а также анализ ее точности в сравнении с ручной экспертной сегментацией и существующими методами.
Материал и методы. В работе рассмотрены создание архитектуры, вдохновленной моделью SegResNet, обучение на BraTS2024-GLI и BraTS2024-MEN-RT, описан метод составления обучающей выборки, снижающий дисбаланс классов, и произведен анализ результатов в сравнении с участниками соревнований BraTS 2024.
Результаты и их обсуждение. Разработанная модель обучена и протестирована на двух наборах данных послеоперационных изображений глиобластомы и менингиомы. Проанализирован ряд метрик для сравнения модели с описанными в литературе методами, а также ее оценки в контексте вариабельности ручной сегментации разными экспертами. Модель достигает коэффициента Сёренсена 0,8299 при сегментации менингиомы и 0,7028 при сегментации контраст-накапливающей области глиобластомы. Кроме того, сегментация модели дает точную оценку объема области опухоли, о чем свидетельствуют высокие значения коэффициента внутриклассовой корреляции – 0,9661 для менингиомы и 0,8339 для глиобластомы. В целом разработанная модель требует меньше ресурсов для обучения и получения результата.
Заключение. Модель производит сегментацию как минимум на уровне эксперта, но со значительно меньшей вариабельностью, в особенности при оценке объема опухоли после хирургического лечения.
Accurate and fast segmentation of magnetic resonance (MR) images with volumetric brain formations, such as glioblastomas and meningiomas, helps plan surgical and radiation treatment, increase the safety and radicality of surgical intervention, which in turn allows to increase the overall life expectancy of patients and the disease-free period. It is required for the development and evaluation of the effectiveness of a deep convolutional neural network with transmission connections for automatic segmentation of volumetric brain formations (meningiomas and glioblastomas) on postoperative MR images, as well as analysis of its accuracy in comparison with manual expert segmentation and existing methods.
Material and methods. The paper considers the creation of an architecture inspired by the SegResNet model, training on BraTS2024-GLI and BraTS2024-MEN-RT, describes a method for compiling a training sample that reduces class imbalance, and analyzes the results in comparison with participants in the BraTS 2024 competition.
Results and discussion. The developed model was trained and tested on two datasets of postoperative images of glioblastoma and meningioma. Several metrics are analyzed to compare the model with the methods described in the literature, as well as to evaluate it in the context of the variability of manual segmentation by different experts. The model achieves a Sorensen coefficient 0.8299 for meningioma segmentation and 0.7028 for glioblastoma contrast-accumulating region segmentation. In addition, the segmentation of the model provides an accurate estimate of the volume of the tumor area, as evidenced by the high values of the coefficient of intra-class correlation – 0.9661 for meningioma and 0.8339 for glioblastoma. Overall, the developed model requires fewer resources for learning and getting results.
Conclusions. Model performs segmentation at least at the expert level, but with significantly less variability, especially when assessing the volume of the tumor after surgical treatment.
The authors declare that there are no conflicts of interest present.