sibmedСибирский научный медицинский журналСибирский научный медицинский журнал2410-25122410-2520ИЦиГ СО РАН10.18699/SSMJ20220606sibmed-934Research ArticleМЕДИКО-БИОЛОГИЧЕСКИЕ НАУКИBIOMEDICINEОсобенности создания базы данных нейроонкологических 3D МРТ-изображений для обучения искусственного интеллектаSpecific features of designing a database for neuro-oncological 3D MRI images to be used in training artificial intelligencehttps://orcid.org/0000-0001-7537-3846АмелинаЕ. В.AmelinaE. V.

Евгения Валерьевна Амелина, к.ф.-м.н.

630090, г. Новосибирск, ул. Пирогова, 1

Evgenia V. Amelina, candidate of physical and mathematical sciences

630090, Novosibirsk, Pirogov str., 1

amelina.evgenia@gmail.comhttps://orcid.org/0000-0002-9293-4083ЛетягинА. Ю.LetyaginA. Yu.

Андрей Юрьевич Летягин, д.м.н., проф.

630090, г. Новосибирск, ул. Пирогова, 1

630060, г. Новосибирск, ул. Тимакова, 2

Andrey Yu. Letyagin, doctor of medical sciences, professor

630090, Novosibirsk, Pirogov str., 1

630060, Novosibirsk, Timakov str., 2

letyagin-andrey@yandex.ruhttps://orcid.org/0000-0002-8931-9848ТучиновБ. Н.TuchinovB. N.

Баир Николаевич Тучинов

630090, г. Новосибирск, ул. Пирогова, 1

Bair N. Tuchinov

630090, Novosibirsk, Pirogov str., 1

bairt@nsu.ruhttps://orcid.org/0000-0002-4547-2699ТолстокулаковН. Ю.TolstokulakovN. Yu.

Николай Юрьевич Толстокулаков

630090, г. Новосибирск, ул. Пирогова, 1

Nikolai Yu. Tolstokulakov

630090, Novosibirsk, Pirogov str., 1

https://orcid.org/0000-0002-5933-6479АмелинМ. Е.AmelinM. E.

Михаил Евгеньевич Амелин, к.м.н.

630090, г. Новосибирск, ул. Пирогова, 1

630048, г. Новосибирск, ул. Немировича-Данченко, 132/1

Mikhail E. Amelin, candidate of medical sciences

630090, Novosibirsk, Pirogov str., 1

630048, Novosibirsk, Nemirovich-Danchenko str., 132/1

amelin81@gmail.comhttps://orcid.org/0000-0001-6976-1885ПавловскийЕ. Н.PavlovskyE. N.

Евгений Николаевич Павловский, к.ф.-м.н.

630090, г. Новосибирск, ул. Пирогова, 1

Evgeny N. Pavlovsky, candidate of physical and mathematical sciences

630090, Novosibirsk, Pirogov str., 1

pavlovskiy@post.nsu.ruГрозаВ. В.GrozaV. V.

Владимир Валерьевич Гроза, PhD

Новосибирский государственный университет

Vladimir V. Groza, PhD

630090, Novosibirsk, Pirogov str., 1

vladimir.groza@gmail.comhttps://orcid.org/0000-0002-0207-7648ГолушкоС. К.GolushkoS. K.

Сергей Кузьмич Голушко, д.ф.-м.н., проф.

630090, г. Новосибирск, ул. Пирогова, 1

Sergey K. Golushko, doctor of physical and mathematical sciences, professor

630090, Novosibirsk, Pirogov str., 1

s.k.golushko@gmail.comНовосибирский государственный университетРоссияNovosibirsk State UniversityRussian FederationНовосибирский государственный университет; НИИ клинической и экспериментальной лимфологии – филиал ФИЦ Институт цитологии и генетики СО РАНРоссияNovosibirsk State University; Research Institute of Clinical and Experimental Lymphology – Branch of the Institute of Cytology and Genetics of SB RASRussian FederationНовосибирский государственный университет; Федеральный нейрохирургический центр Минздрава РоссииРоссияNovosibirsk State University; Federal Neurosurgical Center of the Minzdrav of RussiaRussian Federation2022271220224265159Copyright © Амелина Е.В., Летягин А.Ю., Тучинов Б.Н., Толстокулаков Н.Ю., Амелин М.Е., Павловский Е.Н., Гроза В.В., Голушко С.К., 20222022Амелина Е.В., Летягин А.Ю., Тучинов Б.Н., Толстокулаков Н.Ю., Амелин М.Е., Павловский Е.Н., Гроза В.В., Голушко С.К.Amelina E.V., Letyagin A.Y., Tuchinov B.N., Tolstokulakov N.Y., Amelin M.E., Pavlovsky E.N., Groza V.V., Golushko S.K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sibmed.elpub.ru/jour/article/view/934

Исследование направлено на анализ современных подходов к организации и методологии проектирования базы данных визуализации, построенной на основе компьютерного зрения. Такие подходы необходимы для эффективной разработки диагностических систем с использованием искусственного интеллекта (ИИ). Обязательным условием для этого является качественный набор обучающих данных. Материал и методы. В статье представлена технология создания аннотированной базы данных (SBT Dataset), содержащей около 1000 клинических случаев на основе архивных данных ФГБУ «Федеральный нейрохирургический центр», Новосибирск, Россия, включая сведения о пациентах с астроцитомой, глиобластомой, менингиомой, невриномой и больных с метастазами соматических опухолей. Каждый случай представлен предоперационной МРТ. Результаты и их обсуждение. Построен набор данных (набор данных SBT), содержащий сегментированные 3D МРТ-изображения пяти типов опухолей головного мозга с общим количеством проверенных наблюдений 991. Использованы четыре последовательности МРТ – T1-WI, T1C (с Gd-контрастом), T2-WI и T2-FLAIR с гистологическим и гистохимическим послеоперационным подтверждением. Сегментация опухолей с проверкой границ элементов ядра опухоли и перифокального отека одобрена двумя аттестованными опытными нейрорадиологами. Вывод. База данных, построенная в ходе исследования, по своему объему и уровню качества (верификации) сравнима с современными наиболее популярными в мире базами данных. Предложенные в статье методологические подходы направлены на разработку высококачественных медицинских систем компьютерного зрения. База данных использовалась для создания систем искусственного интеллекта с функциями «помощника врача» по предоперационной МРТ-диагностике в нейрохирургии. 

The research was aimed at analyzing current approaches to the organization and design methodology of visualization database built on the basis of computer vision. Such approaches are necessary for effective development of diagnostic systems using artificial intelligence (AI). A training data set of high quality is a mandatory prerequisite for that. Material and methods. The paper presents the technology for designing an annotated database (SBT Dataset) that contains about 1000 clinical cases based on the archived data acquired by the Federal Neurosurgical Center, Novosibirsk, Russia including data on patients with astrocytoma, glioblastoma, meningioma, neurinoma, and patients with metastases of somatic tumors. Each case is represented by a preoperative MRI. The Results and discussion. The dataset was built (SBT Dataset) containing segmented 3D MRI images of 5 types of brain tumors with 991 verified observations. Each case is represented by four MRI sequences T1-WI, T1C (with Gd-contrast), T2-WI and T2-FLAIR with histological and histochemical postoperative confirmation. Tumors segmentation with verification of the tumor core elements boundaries and perifocal edema was approved by two certified experienced neuroradiologists. Conclusion. The database built during the research is comparable in its volume and quality (verification level) with the state-of-the-art databases. The methodological approaches proposed in this paper were focused on designing the high-quality medical computer vision systems. The database was used to create artificial intelligence systems with the “physician assistant” functions for preoperative MRI diagnostics in neurosurgery. 

МРТнейроонкологияискусственный интеллектсегментация опухоликлассификация опухолей головного мозгаMRIneuro-oncologyartificial intelligencetumor segmentationclassification of brain tumorsИсследование проведено в рамках проекта РФФИ № 19-29-01103.The research was supported by RFBR project No. 19-29-01103.ReferencesMcDonald R.J., Schwartz K.M., Eckel L.J., Diehn F.E., Hunt C.H., Bartholmai B.J., Erickson B.J., Kallmes D.F. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad Radiol. 2015;22(9):1191– 1198. doi: 10.1016/j.acra.2015.05.007McDonald R.J., Schwartz K.M., Eckel L.J., Diehn F.E., Hunt C.H., Bartholmai B.J., Erickson B.J., Kallmes D.F. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad Radiol. 2015;22(9):1191– 1198. doi: 10.1016/j.acra.2015.05.007Зрелов А.А., Нечаева А.С., Воинов Н.Е. Обновленная классификация первичных опухолей центральной нервной системы как основа персонализированного подхода к терапии пациентов. Рос. ж. персонализ. мед. 2022;2(4):6–13. doi: 10.18705/2782-3806-2022-2-4-6-13Зрелов А.А., Нечаева А.С., Воинов Н.Е. Обновленная классификация первичных опухолей центральной нервной системы как основа персонализированного подхода к терапии пациентов. Рос. ж. персонализ. мед. 2022;2(4):6–13. doi: 10.18705/2782-3806-2022-2-4-6-13Zrelov A.A., Nechaeva A.S., Voinov N.E. Updated classification of tumors of the central nervous system as the basis for individual patient therapy. Rossiyskiy zhurnal personalizirovannoy meditsiny = Russian Journal for Personalized Medicine. 2022;2(4):6–13. [In Russian]. doi: 10.18705/2782-3806-2022-2-4-6-13Zrelov A.A., Nechaeva A.S., Voinov N.E. Updated classification of tumors of the central nervous system as the basis for individual patient therapy. Rossiyskiy zhurnal personalizirovannoy meditsiny = Russian Journal for Personalized Medicine. 2022;2(4):6–13. [In Russian]. doi: 10.18705/2782-3806-2022-2-4-6-13Общий регламент защиты персональных данных (GDPR) Европейского союза. Режим доступа: https://gdpr-text.com/ru/ General Data Protection Regulation (GDPR) of the European Union. Available at: https://gdpr-text.com/en/Общий регламент защиты персональных данных (GDPR) Европейского союза. Режим доступа: https://gdpr-text.com/ru/ General Data Protection Regulation (GDPR) of the European Union. Available at: https://gdpr-text.com/en/Yushkevich P.A., Piven J., Hazlett H.C., Smith R.G., Ho S., Gee J.C., Gerig G. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. Neu roimage. 2006;31(3):1116–1128. doi: 10.1016/j.neuroimage.2006.01.015Yushkevich P.A., Piven J., Hazlett H.C., Smith R.G., Ho S., Gee J.C., Gerig G. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. Neu roimage. 2006;31(3):1116–1128. doi: 10.1016/j.neuroimage.2006.01.015Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.-C., Pujol S., Bauer C., Jennings D., Fennessy F.M., Sonka M., … Kikinis R. 3d slicer as an image computing platform for the quantitative imaging network. Magn. Reson. Imaging. 2012;30(9):1323–1341. doi: 10.1016/j.mri.2012.05.001Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.-C., Pujol S., Bauer C., Jennings D., Fennessy F.M., Sonka M., … Kikinis R. 3d slicer as an image computing platform for the quantitative imaging network. Magn. Reson. Imaging. 2012;30(9):1323–1341. doi: 10.1016/j.mri.2012.05.001Menze B.H., Jakab A., Bauer S., Kalpathy-Cramer J., Farahani K., Kirby J., Burren Y,. Porz N., Slotboomy J., Wiest R. … van Leemput K. The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Trans. Med. Imaging. 2015;34(10):1993–2024. doi: 10.1109/TMI.2014.2377694Menze B.H., Jakab A., Bauer S., Kalpathy-Cramer J., Farahani K., Kirby J., Burren Y,. Porz N., Slotboomy J., Wiest R. … van Leemput K. The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Trans. Med. Imaging. 2015;34(10):1993–2024. doi: 10.1109/TMI.2014.2377694Bakas S., Akbari H., Sotiras A., Bilello M., Rozycki M., Kirby J.S., Freymann J.B., Farahani K., Davatzikos C. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features. Sci. Data: 2017;4:170117. doi: 10.1038/sdata.2017.117Bakas S., Akbari H., Sotiras A., Bilello M., Rozycki M., Kirby J.S., Freymann J.B., Farahani K., Davatzikos C. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features. Sci. Data: 2017;4:170117. doi: 10.1038/sdata.2017.117Baid U., Ghodasara S., Mohan S., Bilello M., Calabrese E., Colak E., Farahani K., Kalpathy-Cramer J., Kitamura F.C., Pati S., Prevedello L.M. … Bakas S. The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain tumor segmentation and radiogenomic classification. Computer Vision and Pattern Recognition. 2021;2107.02314. doi: 10.48550/arXiv.2107.02314Baid U., Ghodasara S., Mohan S., Bilello M., Calabrese E., Colak E., Farahani K., Kalpathy-Cramer J., Kitamura F.C., Pati S., Prevedello L.M. … Bakas S. The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain tumor segmentation and radiogenomic classification. Computer Vision and Pattern Recognition. 2021;2107.02314. doi: 10.48550/arXiv.2107.02314Cheng Jun. Brain tumor dataset. figshare. Dataset. Available at: https://doi.org/10.6084/m9. figshare.1512427.v5Cheng Jun. Brain tumor dataset. figshare. Dataset. Available at: https://doi.org/10.6084/m9. figshare.1512427.v5The Cancer Imaging Archive. The cancer imaging archive collection (TCIA). Available at: https:// www.cancerimagingarchive.net/collections/The Cancer Imaging Archive. The cancer imaging archive collection (TCIA). Available at: https:// www.cancerimagingarchive.net/collections/Groza V., Tuchinov B., Pavlovskiy E., Amelina E., Amelin M., Golushko S., Letyagin A. Data preprocessing via multi-sequences MRI mixture to improve brain tumor segmentation. Bioinformatics and Biomedical Engineering. 2020;12108:695–704. doi: 10.1007/978-3-030-45385-5_62Groza V., Tuchinov B., Pavlovskiy E., Amelina E., Amelin M., Golushko S., Letyagin A. Data preprocessing via multi-sequences MRI mixture to improve brain tumor segmentation. Bioinformatics and Biomedical Engineering. 2020;12108:695–704. doi: 10.1007/978-3-030-45385-5_62Futreg M., Miles, A., Marcinkiewicz M., Ribalta P. Optimized U-net for brain tumor segmentation. In: Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. 2022;12963:15–29. doi: 10.1007/978-3-031-09002-8_2Futreg M., Miles, A., Marcinkiewicz M., Ribalta P. Optimized U-net for brain tumor segmentation. In: Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. 2022;12963:15–29. doi: 10.1007/978-3-031-09002-8_2Zhang W., Wu Y., Yang B., Hu S., Wu L., Dhelimd S. Overview of multi-modal brain tumor MR image segmentation. Healthcare (Basel). 2021;9(8):1051. doi: 10.3390/healthcare9081051Zhang W., Wu Y., Yang B., Hu S., Wu L., Dhelimd S. Overview of multi-modal brain tumor MR image segmentation. Healthcare (Basel). 2021;9(8):1051. doi: 10.3390/healthcare9081051Liu Z., Tong L., Chen L., Jiang Z., Zhou F., Zhang Q., Zhang X., Jin Y., Zhou H. Deep learning based brain tumor segmentation: a survey. Complex Intell. Syst. 2022. Available at: doi.org/10.1007/s40747- 022-00815-5Liu Z., Tong L., Chen L., Jiang Z., Zhou F., Zhang Q., Zhang X., Jin Y., Zhou H. Deep learning based brain tumor segmentation: a survey. Complex Intell. Syst. 2022. Available at: doi.org/10.1007/s40747- 022-00815-5

The authors declare that there are no conflicts of interest present.