Особенности создания базы данных нейроонкологических 3D МРТ-изображений для обучения искусственного интеллекта

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. 

1. McDonald 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.2015.05.007

2. Зрелов 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: 10.18705/2782-3806-2022-2-4-6-13

3. Zrelov 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: 10.18705/2782-3806-2022-2-4-6-13

4. 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/

5. 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.2006.01.015

6. Fedorov 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.2012.05.001

7. Menze 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.2014.2377694

8. Bakas 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.2017.117

9. Baid 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.2107.02314

10. Cheng Jun. Brain tumor dataset. figshare. Dataset. Available at: https://doi.org/10.6084/m9. figshare.1512427.v5

11. The Cancer Imaging Archive. The cancer imaging archive collection (TCIA). Available at: https:// www.cancerimagingarchive.net/collections/

12. 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_62

13. Futreg 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_2

14. Zhang 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/healthcare9081051

15. Liu 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