Нейросетевые инструменты в задачах автоматизации магнитно-резонансной морфометрии сердца

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-75-10045

НазваниеНейросетевые инструменты в задачах автоматизации магнитно-резонансной морфометрии сердца

Руководитель Бруй Екатерина Алексеевна, Кандидат технических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО" , г Санкт-Петербург

Конкурс №85 - Конкурс 2023 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 05 - Фундаментальные исследования для медицины; 05-702 - Медицинская информатика

Ключевые слова Магнитно-резонансная морфометрия, автоматическая сегментация, нейронные сети, постинфарктный кардиосклероз, гипертрофическая кардиомиопатия, фиброз миокарда

Код ГРНТИ76.01.85

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
На сегодняшний день задачи МР-морфометрии, в большинстве случаев подразумевающие проведение сегментации изображений, зачастую решаются полуавтоматически прямо на консоли томографа с помощью встроенного программного обеспечения, когда оператор вручную выделяет интересующую область, настраивает порог интенсивности для выделения нужного сигнала, и вручную же корректирует результаты порогового выделения. Однако пороговые методы не всегда позволяют провести качественную сегментацию в виду того, что часто изображения, содержащие важную клиническую информацию, не обладают резким контрастом, и соседние структуры, которые необходимо разделить перед измерением их площади или объема, не имеют четкого отличия по интенсивности сигнала. При этом полностью ручное выделение неоднородных, многоочаговых, диффузно распределенных структур, к которым относится, например, фиброз миокарда, является очень трудоемкой задачей, требующей большой концентрации внимания и больших затрат времени, которое является самым ценным ресурсом квалифицированных специалистов-рентгенологов. Кроме того, в последние годы наблюдается тенденция к повышению пространственного разрешения МРТ снимков и переход от двумерной к трехмерной визуализации. С одной стороны, это приводит к повышению качества диагностической информации, а с другой - к увеличению количества получаемых двумерных срезов для каждого МРТ изображения. В связи с этим, объем информации, который врачу-рентгенологу необходимо обработать для проведения измерений, неминуемо повышается. Так, обработка данных одного пациента для экстракции количественных характеристик может занимать несколько часов. По этим причинам, автоматизация сложных задач морфометрии является актуальной задачей в настоящее время. Развитие и возрастающая доступность для населения современных технологий в области МРТ позволяют накапливать большие данные при исследовании пациентов, а доступность больших вычислительных мощностей предоставляет возможность внедрения технологий глубокого обучения для целей диагностики. Такие методы, требуют тщательной подготовки данных и значительных вычислительных ресурсов на стадии обучения, однако, позволяют научить искусственную нейронную сеть эффективно воспроизводить подход эксперта-рентгенолога и проводить сегментацию изображений в десятки тысяч раз быстрее него. В рамках предлагаемого проекта общий подход к автоматизации задач МР-морфометрии сердца будет отработан на задачах, поставленных практикующими врачами-рентгенологами и кардиологами НМИЦ им. В.А. Алмазова, с которыми они сталкиваются в ежедневной практике. Результаты реализации запланированной исследовательской программы послужат отправной точкой для развития количественных морфометрических методов для оценки степени поражения миокарда, а отработанные подходы смогут быть транслированы на другие области применения. Научная новизна решения каждой из задач будет заключаться в создании уникальных тонко настроенных инструментов для извлечения диагностически значимой количественной информации о процессах фибротизации миокарда при определенных заболеваниях. С клинической точки зрения поставленные задачи также являются актуальными, поскольку направлены на повышение скорости и качества оценки состояния миокарда при широко распространенных заболеваниях, приводящих к внезапной сердечной смерти. В связи с ростом распространенности сердечно-сосудистых заболеваний среди населения важность решения этих задач сложно переоценить.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. В. Аль-Хайдри, А.Левчук, Н. Зотов, А. Рыжков, В. Фокин, Д. Бендахан, Е. Бруй. Deep learning-based localization of myocardial fibrosis in CMR images IEEE Xplore (год публикации - 2024)

2. А.Г. Левчук, В.А. Фокин, А.В. Рыжков, М.Г. Баев, Д. Бендахан, В. Аль – Хайдри, Е.А. Бруй Автоматический и полуавтоматический метод сегментации постинфарктного кардиосклероза по данным магнитно-резонансной томографии с отсроченным контрастированием. Биомедицинаская Радиоэлектроника (год публикации - 2024)

3. Валид Аль-Хайдри, Анатолий Левчук, Ксения Белоусова, Владимир Фокин, Давид Бендан, Екатерина Бруй Deep Learning-Assisted 17-Segment Myocardial Scar Segmentation and Analysis IEEE Xplore (год публикации - 2025)

4. Зиля Бадриева, Анна Конаныхина, Екатерина Бруй Feasibility of Neural Network-Assisted T2 Mapping Utilizing Bloch Equation Simulations for Training Dataset Generation IEEE Xplore (год публикации - 2025)

5. Левчук А. Г., Аль-Хайдри В. А. А., Зотов Н. М., Бруй Е. А. КОМПЬЮТЕРНОЕ ЗРЕНИЕ В ЗАДАЧАХ ЛОКАЛИЗАЦИИ И КОЛИЧЕСТВЕННОЙ ОЦЕНКИ ПОСТИНФАРКТНОГО КАРДИОСКЛЕРОЗА ПО ДАННЫМ МАГНИТНО-РЕЗОНАНСНОЙ ТОМОГРАФИИ СЕРДЦА С ОТСРОЧЕННЫМ КОНТРАСТИРОВАНИЕМ Физика и Радиоэлектроника в Медицине и Экологии (год публикации - 2024)

6. Валид Аль-Хайдри, Анатолий Левчук, Никита Зотов, Ксения Белоусова, Антон Рыжков, Владимир Фокин, Максим Лукин, Давид Бендахан, Екатерина Бруй Quantitative analysis of myocardial fibrosis using a deep learning-based framework applied to the 17-Segment model Biomedical Signal Processing and Control, 105 (2025) 107555 (год публикации - 2025)
10.1016/j.bspc.2025.107555

7. Валид Аль-Хайдри, Айнур Ахатов, Индира Усманова, Фархад Салимов, Мохаммед Аль-Хабиб, Камиль А. Ильясов, Екатерина А. Бруй Deep learning-assisted framework for automation of lumbar vertebral body segmentation, measurement, and deformity detection in MR images Biomedical Signal Processing and Control, 106 (2025) 107770 (год публикации - 2025)
10.1016/j.bspc.2025.107770

Аннотация результатов, полученных в 2025 году
Важным результатом настоящей работы является создание уникальной базы данных, содержащей, как морфометрическую, так и клиническую информацию о миокарде левого желудочка пациентов с постинфарктным кардиосклерозом. База данных была охарактеризована посредством статистического и корреляционного анализа для подтверждения ее репрезентативности. Три из четырех групп по степеням сердечной недостаточности (группы 2, 3 и 4), по которым имелась достаточная выборка, демонстрируют значимые различия по ФВ ЛЖ в тесте Крускала-Уоллиса при p <0,003 и p <0,0003 для МРТ и ЭхоКГ значений. Данные результаты позволяют сделать вывод о том, что данная выборка является репрезентативной и хорошо отражает клинические характеристики, хорошо известные для пациентов с постинфартным кардиосклерозом. В представленной выборке была выявлена слабая положительная корреляция между относительным объемом фиброза в бассейне LAD и всеми степенями СН (p <0,05) за исключением I степени СН (ввиду недостаточной выборки пациентов, результаты этой группы не следует учитывать). Существующая корреляционная связь между ФВ ЛЖ и относительным объемом фиброза в бассейнах RCA и LCx (p <0,01) может косвенно свидетельствовать о наличии корреляции относительного объема фиброза в этих бассейнах и степенью СН. Данные результаты свидетельствуют о перспективности дальнейших исследований связи локализации и объема фиброза с функциональными характеристиками сердца, и, как следствие с выбором стратегии терапии. Дальнейшая работа была посвящена адаптации разработанного на предыдущем этапе программного комплекса, для обработки МРТ изображений сердца с признаками гипертрофической кардиомиопатии (ГКМП). Была составлена выборка МРТ изображений сердца пациентов с ГКМП. В работе были использованы серии МРТ изображений 100 пациентов с ГКМП. Средние возраст, рост, вес, индекс массы тела пациентов выборки составили, соответственно: 57.92 года, 168.82 см, 82.45 кг, 28.83. В выборке наиболее представлены пациенты со второй степенью сердечной недостаточности (60 человек). 19 и 14 человек имеют 3ю и 1ю степень, 1 – 4ю, и у трех человек сердечная недостаточность клинически не наблюдалась. Была проведена ручная разметка вышеуказанной выборки МРТ изображений. Для каждого среза МРТ были выделены три ключевые структуры сердца левого желудочка: полость левого желудочка (ЛЖ), здоровый миокард (непатологическая мышечная ткань ЛЖ) и фиброз миокарда. Для каждого среза также были вручную идентифицированы координаты референтной точки в самой верхней части межжелудочковой перегородки. Кроме того, получены результаты ручной классификации МРТ-срезов путем категоризации каждого среза на одном из четырех анатомических уровней: базальном, срединном, апикальном и верхушечном. Эталонные маски были обработаны с использованием алгоритма для локализации сегментов миокарда, разработанного на предыдущем этапе, в ручном режиме, и были составлены эталонные 17-ти сегментные диаграммы для каждого из пациентов выборки. В результате получен набор эталонных маркированных данных для обучения нейросетевых алгоритмов. Сперва, обученные на предыдущем этапе Проекта нейросетевые модели CoreU-Net и ResNet50, входящие в программный комплекс, были протестированы на тестовой подвыборке из 20ти пациентов из выборки ANMRC-HCM без какого-либо дообучения. Дообучение далее было проведено на данных 80-ти пациентов из выборки ANMRC-HCM, не попавших в тестовую выборку. Для модели CoreU-Net рассмотрены два варианта дообучения: дообучение всей сети и дообучение только последних слоев сети. Для модели ResNet50 был рассмотрен один вариант тонкой настройки с дообучением последних слоев. Далее в программный комплекс были внедрены наиболее успешные дообученнные модели ResNet50 и CoreU-Net. Адаптированный программный комплекс продемонстрировал высокую эффективность при анализе МРТ изображений сердца пациентов с гипертрофической кардиомиопатией. Он обеспечил высокое качество обнаружения наличия фиброза (F1-мера 0.81) в сегментах, а также показал высокую точность количественной оценки объема фиброза, достигнув средней абсолютной ошибки всего 3.1%. При этом, учитывая, что среднее процентное содержание фиброза при ГКМП в рассматриваемой выборке составило 4%, при столь малых степенях поражения, ошибка в 3.1% делает нецелесообразным использование разработанного инструмента для точной количественной оценки объема фиброза. При этом известно, что пороговым значением, коррелирующим с риском внезапной сердечной смерти при ГКМП у взрослых, является относительный объем фиброза в 15%. Выборка ANMRC_HCM содержала крайне мало настолько сложных случаев. Тем не менее, учитывая высокие показатели бинарной классификации, разработанный комплекс целесообразно использовать для детекции фиброза в отдельных сегментах миокарда ЛЖ. Проведенные исследования также свидетельствуют о наличии потенциала к улучшению точности алгоритма за счет увеличения размера обучающей выборки. Были проведены статистические тесты, по результатам которых было показано, что показатели относительного объема фиброза значимо отличаются для эталонных данных и полученных при использовании подхода без дообучения (p-value = 0.000). При этом, между данными, полученными при помощи подхода с дообучением, и эталонными данными статистически значимых различий (p-value = 0.38) при уровне значимости 0.05 нет. Коэффициент корреляции Спирмана в случае без дообучения составил 0.15 (p-value = 0.005), а в случае с дообучением - 0.63 (p-value = 0.000). Это говорит о более выраженной корреляции между показателями относительных объемов фиброза полученных с помощью подхода с дообучением и эталонными значениями На данном этапе имеющиеся алгоритмы были объединены в программный комплекс, для которого был создан графический интерфейс, что значительно облегчило использование алгоритмов. Кроме того, наработки первого года также позволили решить смежную задачу – сегментацию позвонков поясничного отдела позвоночника. Начата работа по созданию альтернативного метода картирования фиброза миокарда.

Публикации