Эта разработка облегчит труд врачей
Ученые ИТМО в сотрудничестве с НМИЦ имени Алмазова разработали метод быстрого определения фиброза сердца с использованием глубокого обучения. Они создали алгоритм, который разбивает изображение сердца на 17 сегментов и определяет расположение и объем фиброзной ткани.
Эта разработка облегчит труд врачей по обработке МРТ-снимков и ускорит выбор эффективной стратегии лечения инфарктов и других сердечно-сосудистых заболеваний. Сердечно-сосудистые заболевания занимают первое место по смертности в мире. Для своевременной диагностики важно находить фиброз – рубцовую ткань, появляющуюся после инфаркта миокарда или инфекций. Один из наиболее перспективных методов исследования сердца – магнитно-резонансная томография, которая является малоинвазивной и использует неионизирующее излучение. Обработка МРТ-снимков занимает много времени, так как рентгенологи вручную определяют процент фиброзной ткани в каждом сегменте сердца, что в среднем занимает 1-2 часа на пациента. Хотя нейросети могут ускорить этот процесс, существующие модели требуют ручного выделения области фиброза, что требует участия рентгенолога. Поэтому ученым была поставлена задача автоматизировать процесс создания 17-сегментных диаграмм сердца на основе МРТ-изображений. Для автоматизации и ускорения обработки МРТ-снимков сердца, а также для быстрого определения фиброза ученые ИТМО и НИМЦ Алмазова разработали полуавтоматическую модель на основе глубокого обучения. Процесс работы модели включает несколько этапов: она сначала локализует миокард, затем выявляет наличие фиброза, распознает 17 сегментов сердца и оценивает объем фиброза в каждом из них. В отличие от специалистов, которые тратят около 1-2 часов на обработку, модель справляется за несколько минут. Кроме того, для работы модели достаточно одного снимка в одной проекции, тогда как врачам требуется несколько изображений в разных проекциях, что увеличивает время на МРТ-исследование и анализ. Для сегментации миокарда и обнаружения фиброза разработчики использовали нейросеть U-Net и каскадный алгоритм. Модель была обучена на изображениях сердца, размеченных экспертами, а также на базе данных постинфарктных МРТ-снимков из Дижонского университета. Разработчики достигли точности, при которой результаты алгоритма совпадают с мнениями двух экспертов в 86 % и 77 % случаев. Это считается высоким показателем, так как обычно межэкспертное согласие составляет около 80 %, что говорит о том, что модель работает на уровне специалиста.
Свежие комментарии