Искусственный интеллект в технологиях сегментации и классификации нейроонкологических очагов

Исследование посвящено анализу результативности современных подходов к формированию диагностической технологии анализа МРТ-изображений в нейроонкологии, построенной на основе искусственного интеллекта (ИИ) и компьютерного зрения. Такие подходы необходимы для быстрого и диагностически эффективного анализа в целях реализации принципа индивидуализированной медицины. Материал и методы. Выполнен анализ результативности выбора технологий ИИ для формирования процессов сегментации и классификации нейроонкологических МРТ-изображений. ИИ был обучен на собственной аннотированной базе данных (SBT Dataset), содержащей около 1000 клинических случаев на основе архивных данных предоперационных МРТисследований в ФГБУ «Федеральный нейрохирургический центр» (Новосибирск), у пациентов с астроцитомой, глиобластомой, менингиомой, невриномой и с метастазами соматических опухолей, с гистологическим и гистохимическим послеоперационным подтверждением. Результаты и их обсуждение. Результативность и эффективность разработанных технологий проверена в ходе международных соревнований BraTS, в которых предлагалось сегментировать и классифицировать случаи из набора данных по нейроонкологическим пациентам, подготовленного организаторами соревнования. Заключение. Предложенные в статье методологические подходы в разработке диагностических систем на основе ИИ и принципов компьютерного зрения показали высокую эффективность на уровне десятки мировых лидеров и могут использоваться для разработки программноаппаратных комплексов для диагностической нейрорадиологии с функциями «помощника врача». 

1. Амелина Е.В., Летягин А.Ю., Тучинов Б.Н., Толстокулаков Н.Ю., Амелин М.Е., Павловский Е.Н., Гроза В.В., Голушко С.К. Особенности создания базы данных нейроонкологических 3D МРТизображений для обучения искусственного интеллекта. Сиб. науч. мед. ж. 2022;42(6):51–59. [In Russian]. doi: 10.18699/SSMJ20220606

2. Sao Khue L.M., Pavlovskiy E. Improving brain tumor multiclass classification with semantic features. 2022 Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB): proc. conf., 4–8 July, 2022. Novosibirsk. P. 150–154. doi: 10.1109/CSGB56354.2022.9865366

3. Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.C., Pujol S., Bauer C., Jennings D., Fennessy F.M., Sonka M., Buatti J., Aylward S.R., Miller J.V., Pieper S., 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.2012.05.001

4. Chaurasia A., Culurciello E. Linknet: exploiting encoder representations for efficient semantic segmentation. arXiv. 2017;1707:03718. doi: 10.48550/arXiv.1707.03718

5. Chen C., Liu X., Ding M., Zheng J., Li J. 3D Dilated multi-fiber network for real-time brain tumor segmentation in MRI. Medical Image Computing and Computer Assisted Intervention – MICCAI 2019: conf. paper. Lecture Notes in Computer Science (LNCS), vol. 11766. Springer, Cham. 12–20. doi: 1007/978-3-030-32248-9_21

6. Chen J., Lu Y., Yu Q., Luo X., Adeli E., Wang Y., Lu L., Yuille A.L., Zhou Y. TransUNet: Transformers make strong encoders for medical image segmentation. arXiv. 2021;2102.04306. doi: 10.48550/arXiv.2102.04306

7. Pnev S., Groza V., Tuchinov B., Amelina E., Pavlovskiy E., Tolstokulakov N., Amelin M., Golushko S., Letyagin A. Brain tumor segmentation with self-supervised enhance region post-processing. International MICCAI Brainlesion Workshop: proc. conf., virtual, online, 27.09.2021. Springer, Cham, 2022. 267–275. doi: 10.1007/978-3-031-09002-8_24

8. McKinley R., Rebsamen M., Dätwyler K., Meier R., Radojewski P., Wiest R. Uncertainty-driven refinement of tumor-core segmentation using 3D-to-2D networks with label uncertainty. arXiv. 2020;2012:06436. doi: 10.48550/arXiv.2012.06436

9. McKinley R., Wepfer R., Aschwanden F., Grunder L., Muri R., Rummel C., Verma R., Weisstanner C., Reyes M., Salmen A., Chan A., Wagner F., Wiest R. Simultaneous lesion and brain segmentation in multiple sclerosis using deep neural networks. Sci. Rep. 2021;11(1):1087. doi: 10.1038/s41598-020-79925-4

10. Vu M.H., Nyholm T., Löfstedt T. Multi-decoder networks with multi-denoising inputs for tumor segmentation. arXiv. 2020:2012:03684. doi: 10.48550/arXiv.2012.03684

11. Pnev S., Groza V., Tuchinov B., Amelina E., Pavlovskiy E., Tolstokulakov N., Amelin M., Golushko S., Letyagin A. Multi-Class brain tumor segmentation via 3d and 2d neural networks. 19th International Symposium on Biomedical Imaging (ISBI): proc. symp., 28–31 March 2022, Kolkata, India. IEEE, 2022. 1-5. INSPEC Accession Number: 21760341. doi: 10.1109/ISBI52829.2022.9761538