СИСТЕМЫ СЕГМЕНТАЦИИ И АНАЛИЗА ПАТОЛОГИЙ МЕЖПОЗВОНОЧНЫХ ДИСКОВ НА СНИМКАХ МРТ ПОЯСНИЧНОГО ОТДЕЛА ПОЗВОНОЧНИКА

SYSTEMS OF SEGMENTATION AND ANALYSIS OF THE PATHOLOGIES OF INTERDERVEBRAL DISCS ON IMAGES OF MRI LUMBAR SPINE

Alexander Selyutin

student of Institute information technology and communications, Saratov State Technical University,

Russia, Saratov

Stanislav Daurov

Scientific adviser, candidate of Technical Sciences, associate Professor Institute information technology and communications Saratov State Technical University,

Russia, Saratov

АННОТАЦИЯ

В статье описана проблематика диагностики патологий на снимках МРТ специалистами рентгенологами. Приведены способы решения проблемы посредством автоматизации процесса сегментации и определения патологий межпозвоночных дисков.

ABSTRACT

The report describes the problems of diagnosing pathologies in MRI images by radiologists. Methods for solving the problem by automating the process of segmentation and determining pathologies of the intervertebral discs are presented.

Ключевые слова: UNet, МРТ, поясничный отдел позвоночника, сверточные нейросети.

Keywords: UNet, MRI, lumbar spine, convolutional neural networks.

Введение

Дегенеративный поясничный стеноз позвоночника является основной причиной боли в пояснице и является одним из наиболее распространенных показаний к операции на позвоночнике. Высокая распространенность дегенеративных заболеваний позвоночника, особенно в трудоспособном возрасте, приводит к большим социальным затратам, направленным на лечение патологий позвоночника.

Основная трудность при своевременном оказания медицинской помощи при возникновении данной дегенеративной патологии связана с визуализацией, которая используется как для первоначальной диагностики, так и для последующей оценки, в том числе и хирургической.

Магнитная резонансная терапия (МРТ) является основным методом визуализации для оценки стеноза позвоночника из-за способности характеризовать детали мягких тканей, таких как нервная ткань. Данное преимущество позволяет рентгенологам определить местоположение, этиологию и степень компрессии нервного корешка, и на основне этих данных создавать поэтапную детализацию, передавая свои результаты врачам и их пациентам. Отчеты о визуализации, таким образом, содержат информацию, которая будет использоваться при постановлении диагноза.

Интерпретация специалистами снимков МРТ позвоночника может быть очень трудоемкой, особенно при прогрессирующей дегенерации позвоночника, которая часто присутствует у пожилых людей. К сожалению, отсутствие общепринятой системы классификации на основе визуализации или диагностических критериев для стеноза позвоночника приводит к большой путанице между специалистами, что в свою очередь может ухудшить интерпретацию отчетности врачами и другими специалистами.

Для решения проблем, связанных с интерпретацией МРТ позвоночника, были созданы различные компьютерные методы сегментации и диагностики, но при этом не было сформировано единой системы классификации и формирования отчётности. При решении проблемы интерпретации снимков МРТ, в данном докладе, основной целью имелось не создание единой системы классификации, а решение проблем сегментации и анализа патологий межпозвоночных дисков на снимках, описанных далее.

Сегментация межпозвоночных дисков на снимках МРТ

Как описывалось ранее, системы компьютерного зрения широко применяются для решения проблемы интерпретации снимков МРТ.

Во многих работах использовались методы компьютерного зрения, такие как: гистограмма ориентированных градиентов [5], вероятностные модели, а также GrowCut. Все эти методы предназначены для сегментацию и/или локализации межпозвоночных дисков или самих позвонков. Также для автоматической диагностики дегенерации позвоночника использовались модифицируемые вручную T2-осевые изображения, которые использовались в обучении нейросетью. В нашем исследовании используется слабо контролируемый подход для извлечения характерных признаков с использованием только фильтров и патологических меток.

В последнее время большое внимание уделяется методам машинного обучения, набирающим популярность в связи с недавними достижениями в развитии технологий графических процессоров (GPU) [2]. В частности, оценка применимости сверточных нейронных сетей (CNN) резко возросла [1]. Подходы глубокого обучения, применяемые в CNN архитектура, где алгоритмы автоматически изучают репрезентативные функции из необработанных данных на нескольких различных уровнях абстракции для выполнения задач классификации с высоким уровнем производительности, были использованы в данном исследовании.

Использовался алгоритм глубокого обучения U-Net [3], который показал свою эффективность в задачах сегментации на ограниченных данных и был применен для сегментации межпозвоночных дисков. Хотелось бы отметить, что многие опубликованные работы по диагностике стеноза позвоночника имеют только двоичную классификацию. То есть отмечается либо отсутствие заболевания, либо наличие патологии. Тем не менее задача рентгенолога при составлении отчета требует описания степени тяжести стеноза для принятия дальнейшего решения о лечении.

На рисунке 1 приведен пример работы обученной нейросети модели U-Net, которая предназначена для сегментации межпозвоночных дисков на снимке МРТ.

Рисунок 1. Пример работы нейросети модели U-Net

Сегментированное изображение будет использоваться при дальнейшем автоматизированном анализе снимка на наличие грыж Шморля, протрузий и экструзий.

Автоматизированный анализ межпозвоночных дисков на наличие патологий

После обработки нейросетью исходного снимка МРТ необходимо провести анализ сегментированного изображения. Используя функцию выделения контуров, становится возможным работать с отдельным межпозвоночным диском в итеративном режиме. Для определения наличии грыж Шморля на межпозвоночных дисках используется попиксельная проверка [4]. Составляется разностная функция, относительно горизонтальной оси межпозвоночного диска. Вычисляется максимум разностной функции. Найденный максимум сверяется с критическим значением, подобранным эмпирическим путём. Если максимум разностной функции больше или равен критическому, то делается вывод о наличиии патологии. Все высчитываемые параметры записываются и передаются для дальнейшего анализа специалисту рентгенологу. Специалист может вносить свои корректировки в анализируемые значения. Для определения наличий протрузий и экструзий вычисления являются аналогичными, изменяется лишь анализируемая ось при попиксельной проверке.

Заключение

Используя архив снимков МРТ, получилось эффективно создать нейросетевую модель с использованием глубокого обучения для обеспечения автоматической поэтапной классификации межпозвоночных дисков. Также были созданы алгоритмы для определения патологий межпозвоночных дисков на сегментированных нейросетевой моделью изображениях.

Список литературы:

1. В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. Нейросетевые системы управления. – М.: ИПРЖР, 2003. – 480 с.
2. А.И. Галушкин. Нейронные сети. Основы теории. – М.: Горячая Линия - Телеком, 2012. – 496 с.
3. Нейросетевые преобразователи биометрических образов человека в код его личного криптографического ключа. Книга 29. – М.: Радиотехника, 2008. – 88 с.
4. Екатерина Александровна Энгель. Системы анализа, управления, принятия решений и обработки информации. – М.: LAP Lambert Academic Publishing, 2011. – 168 с.
5. Андрей Турбин und Антон Чижов. Модель нейронного ансамбля на основе уравнения Фоккера-Планка. – М.: LAP Lambert Academic Publishing, 2011. – 128 с.