Применение алгоритма компьютерного зрения для определения очагов демиелинизации при рассеянном склерозе на МРТ-изображениях

Исследование направлено на анализ современных алгоритмов для диагностики поражений при рассеянном склерозе на МРТ-изображениях. Рассеянный склероз, тяжелое заболевание центральной нервной системы, занимает первое место среди причин инвалидности у пациентов молодого трудоспособного возраста. В связи с развитием технологий компьютерного зрения и машинного обучения растет актуальность применения данных технологий для медицинской диагностики. Такие подходы необходимы для эффективной разработки и внедрения диагностических систем с использованием искусственного интеллекта. Материал и методы. В статье представлены особенности диагностики рассеянного склероза на МРТ-изображениях, существующие наборы данных: ISBI-2015, MSSEG-2016, MSSEG-2021; существующие алгоритмы и модели сегментации поражений: U-Net, nnU-Net, TransUnet, TransBTS, UNETR, Swin UNETR. Результаты и их обсуждение. Проведено обучение и сравнение архитектур и моделей nnU-Net, UNETR, Swin UNETR на ISBI-2015 c различными параметрами и функциями потерь, использованы четыре последовательности МРТ: Т2-взвешенное изображение, T2-FLAIR, PD, MPRAGE. Сегментация поражений одобрена тремя аттестованными опытными нейрорадиологами. Заключение. Описанные в статье подходы, включая процессы обработки данных, обучения моделей, анализ результатов, были сосредоточены на выборе и разработке высококачественных алгоритмов компьютерного зрения для определения поражений при рассеянном склерозе на МРТ-изображениях. Выявление и сегментация очагов демиелинизации является необходимым этапом для диагностики заболевания, а также для расчета и интерпретации более значимых показателей тяжести и прогрессирования заболевания.

1. Кротенкова И.А., Брюхов В.В., Коновалов Р.Н., Захарова М.Н., Кротенкова М.В. Магнитнорезонансная томография в дифференциальной диагностике рассеянного склероза и других демиелинизирующих заболеваний. Вестн. рентгенол. и радиол. 2019;100(4):229–236. doi: 10.20862/0042-4676-2019-100-4-229-236

2. Thompson A.J., Banwell B.L., Barkhof F., Carroll W.M., Coetzee T., Comi G., Correale J., Fazekas F., Filippi M., Freedman M.S., … Cohen J.A. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. Lancet Neurol. 2018;17(2):162–173. doi: 10.1016/S1474-4422(17)30470-2

3. Zeng C., Gu L., Liu Z., Zhao S. Review of deep learning approaches for the segmentation of multiple sclerosis lesions on brain MRI. Front. Neuroinform. 2020;14:610967. doi: 10.3389/fninf.2020.610967

4. Carass A., Roy S., Jog A., Cuzzocreo J.L., Magrath E., Gherman A., Button J., Nguyen J., Prados F., Sudre C.H., ... Pham D.L. Longitudinal multiple sclerosis lesion segmentation: resource and challenge. Neuroimage. 2017;148:77–102. doi: 10.1016/j.neuroimage.2016.12.064

5. Commowick O., Istace A., Kain M., Laurent B., Leray F., Simon M., Pop S.C., Girard P., Améli R., Ferré J.C., ... Barillot C. Objective evaluation of multiple sclerosis lesion segmentation using a data management and processing infrastructure. Sci. Rep. 2018;8(1):13650. doi: 10.1038/s41598-018-31911-7

6. Commowick O., Cervenansky F., Cotton F., Dojat M. MSSEG-2 challenge proceedings: Multiple sclerosis new lesions segmentation challenge using a data management and processing infrastructure. 24th International Conference on Medical Image Computing and Computer Assisted Intervention: proc. conf., Strasbourg, France, Sep 2021. P. 1–118.

7. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015: proc. conf., Munich, Germany, October 5–9, 2015. Part III 18. Springer International Publishing, 2015. doi: 10.48550/arXiv.1505.04597

8. Zhang H., Valcarcel A.M., Bakshi R., Chu R., Bagnato F., Shinohara R.T., Hett K., Oguz I. Multiple sclerosis lesion segmentation with tiramisu and 2.5D stacked slices. Med. Image Comput. Comput. Assist. Interv. 2019;11766:338–346. doi: 10.1007/978-3-030-32248-9_38

9. Isensee F., Jaeger P.F., Kohl S.A., Petersen J., Maier-Hein K.H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat. Methods. 2021;18(2):203–211. doi: 10.1038/s41592-020-01008-z

10. Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Zhai X., Unterthiner T., Dehghani M., Minderer M., Heigold G., Gelly S., Uszkoreit J., Houlsby N. (2020). An image is worth 16×16 words: Transformers for image recognition at scale. arXiv preprint arXiv. 2010.11929.

11. Hatamizadeh A., Tang Y., Nath V., Yang D., Myronenko A., Landman B., Roth H., Xu D. UNETR: Transformers for 3D medical image segmentation. In: Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2022. P. 574–584

12. Hatamizadeh A., Nath V., Tang Y., Yang D., Roth H.R., Xu D. Swin UNETR: Swin transformers for semantic segmentation of brain tumors in MRI images. In: International MICCAI Brainlesion Workshop. Cham: Springer International Publishing, 2021. P. 272–284. doi: 10.48550/arXiv.2201.01266

13. Lin T.Y., Goyal P., Girshick R., He K., Dollár P. Focal loss for dense object detection. In: Proceedings of the IEEE international conference on computer vision. 2017. P. 2980–2988. doi:10.1109/ICCV.2017.324