Нейросети и МРТ: молодые ученые предлагают новый подход в диагностике мозга

С 26 августа по 6 сентября в России впервые прошла международная летняя школа по машинному обучению (Machine Learning Summer School, MLSS). Мероприятие проходило на базе Сколковского института науки и технологий (Сколтех). В рамках школы лаборатория Philips в Сколково совместно с институтом провели конкурс на лучшую исследовательскую работу в области применения искусственного интеллекта в здравоохранении и биологии. В конкурсе приняло участие 150 человек из российских и зарубежных академических организаций (за исключением студентов Сколтеха, поскольку их участие могло вызвать конфликт интересов).

При оценке работ жюри принимало во внимание новаторство идеи, лежащей в основе исследования, техническую сложность, а также разнообразие областей исследования и университетов, принимающих участие в конкурсе. По его итогам были определены три победителя, которые получили возможность бесплатного посещения международной летней школы по машинному обучению.

Рассказываем о работе одного из победителей. Представленное Кимберлит Ван Вийен из университета Эразма в Роттердаме исследование посвящено автоматическому обнаружению очаговых повреждений головного мозга. Объектом исследования стали периваскулярные пространства, также известные как пространства Вирхова-Робина. Они расположены между стенками сосудов и белым веществом головного мозга. Их можно представить как заполненные жидкостью области, окружающие кровеносные сосуды некоторых органов, пути циркуляции спинномозговой жидкости.

Дело в том, что в головном мозге большинство капилляров имеют незаметное периваскулярное пространство, которое не видно на МРТ. Но расширение этих пространств, которые на МРТ выглядят как белые пятна (рисунок 1), является биомаркером, по которому можно выявить наличие возможных изменений в мозге.

Между тем, расширенные периваскулярные пространства не всегда являются признаком патологии. Таковыми они могут быть и у вполне здоровых людей. Чаще всего их расширение отмечается у пожилых пациентов и связано с возрастными изменениями в головном мозге. Однако в некоторых случаях расширенные периваскулярные пространства могут быть признаком атрофии головного мозга, церебральной ишемии (в том числе инфаркта мозга) и рассеянного энцефаломиелита.

Поэтому в случае выявления отклонений пациентам необходимо проходить дополнительную диагностику. У людей преклонного возраста расширение периваскулярных пространств нередко отмечается при гипертонии, атеросклерозе, деменции. Эти патологии обычно сопровождаются ухудшением памяти и другими когнитивными нарушениями.

Одна из проблем анализа МРТ-снимков — ручная обработка данных пространств, поскольку процесс требует больших временных затрат эксперта. К тому же даже у самого опытного врача глаз может «замылиться», и возникает вероятность совершения ошибки и появления неточностей в поставленном диагнозе. Кимберлит предлагает автоматизировать процесс разметки пространств Вирхова-Робина с помощью сверточных нейросетей (сверточными нейросетями называют основной инструмент для классификации и распознавания объектов, речи и лиц на фотографиях искусственным интеллектом).

Существующие сегодня подходы обучения нейросетей к решению этой задачи предполагают использование повоксельной разметки (повоксельной разметкой называют полную разметку трехмерного изображения, то есть то, что делает МРТ, что является сложной и трудоемкой процедурой.

В отличие от подходов, базирующихся на полной сегментации МРТ-изображения, в основе авторской идеи лежит предположение, что нейросеть способна предсказать морфологию пространств Вирхова-Робина, обучившись лишь на поточечной разметке (поточечной разметкой называют ту разметку, которая использует точку, пиксель и анализирует по ним снимок) снимков МРТ. В своем исследовании Кимберлит использовала для обучения нейросети 2000 изображений МРТ головного мозга с размеченными экспертами координатами периваскулярных пространств (рисунок 2).

На основе точечных аннотаций и соответствующих им интенсивностей пикселей автор вычисляет карты расстояний до очагов повреждений. Это позволяет ему определить морфологию поврежденной области (рисунок 3).

Далее автор обучает сверточную нейросеть предсказывать морфологию повреждений на новых снимках МРТ. Архитектура сети представлена на рисунке 4.

Тестирование сети проводилось на независимой базе данных из тысячи изображений МРТ. И вот как это происходило. Полученная сетью карта предсказаний подается на вход блока пост-обработки, который по данным карты находит наиболее вероятные локализации пространств Вирхова-Робина, после чего результат сравнивается с разметкой, сделанной экспертом и, таким образом, измеряется качество предсказания сети. На рисунке 5 представлены результаты таких предсказаний в сравнении с ручной разметкой эксперта.

Общая схема работы системы представлена на рисунке 6.

Итоги тестирования демонстрируют потенциал авторского подхода для обнаружения расширенных периваскулярных пространств в белом веществе. В дальнейшем автор планирует продолжить исследования метода на разных участках мозга, оценить качество сегментации очагов повреждения, а также процент ложноположительных срабатываний.

В перспективе результаты исследования помогут существенно сократить время врача на разметку МРТ снимков и выявить морфологию пораженных участков, а значит, сократить время на диагностику. Что касается внедрения метода в практику, то это будет нескоро, поскольку необходимо пройти этап довольно длительной процедуры сертификации предложенной модели.

Между тем, исследователи лаборатории Philips Research сегодня уже работают над ускорением процесса сканирования органов и получения МРТ-снимков. Во-первых, это позволит повысить качество снимков. Эффективность алгоритмов обработки изображений зависит как раз от него, а для получения снимка хорошего качества пациенту требуется находиться неподвижно около получаса. Это бывает затруднительно для отдельных категорий лиц, а иногда пациенты находятся в столь тяжелом состоянии, что на счету каждая минута. Во-вторых, это позволит увеличить пропускную способность аппарата МРТ, который является дорогостоящим. Таких аппаратов всегда мало, поэтому наблюдаются очереди на прохождение сканирования.

Кроме того, исследователи работают над алгоритмами перевода МРТ-изображения в КТ. Таким образом можно чтобы уменьшить ошибку при проведении диагностики, снизить радиационную нагрузку на пациента, уменьшить стоимость операции и количество повторных исследований за счет более высокого качества изображений, ускорить планирование терапии и в целом оказывать более высокоточную медицинскую помощь пациентам. Об этих исследованиях можно узнать в наших предыдущих материалах.