В перспективе модель войдет в систему поддержки принятия врачебных решений, которая позволит предоставлять оценку вероятности злокачественности опухоли и определять степень ее инвазии в соседние органы.
Рак поджелудочной железы – это онкологическое заболевание, которое развивается преимущественно из эпителия протоков данного органа и характеризуется высоким уровнем злокачественности, склонностью к быстрому местному распространению и раннему метастазированию в регионарные лимфатические узлы и отдаленные органы (печень, легкие, брюшину).
Для диагностики рака поджелудочной железы используется компьютерная томография (КТ) брюшной полости с контрастным средством, которое вводится внутривенно. Область в ткани поджелудочной железы, которая отличается сниженным или усиленным накоплением этого вещества в сравнении с нормальной паренхимой органа (ткани, отвечающей за выработку пищеварительных ферментов и гормонов), может соответствовать гипо- или гиперваскулярным образованиям соответственно. При этом КТ проводится в артериальной и венозной фазах: в первой фазе, когда контраст еще находится в артериальных сосудах, видны гиперваскулярные образования, а во второй фазе, когда контраст переходит в вены и межклеточное вещество, обеспечивается более четкое изображение гиповаскулярных образований.
Выявление рака поджелудочной железы на начальных стадиях повышает продолжительность жизни и вероятность добиться ремиссии. Однако находить образования небольших размеров на КТ-снимках брюшной полости до метастазирования в другие органы и проявления клинически является непростой задачей. По этой причине важно разрабатывать инструменты с использованием глубокого машинного обучения, которые могут позволить выявлять и сегментировать опухоль до ее распространения на соседние структуры и метастазирования, чтобы ее можно было хирургически удалить.
«Совместно с НМИЦ хирургии им. А.В. Вишневского Минздрава России мы разработали высокоточную нейросетевую модель для автоматизированной сегментации паренхимы поджелудочной железы и ее поражений по КТ-снимкам брюшной полости. В перспективе она войдет в систему поддержки принятия врачебных решений, которая позволит медицинским специалистам диагностировать онкологические заболевания данного органа на ранней стадии», – рассказал доцент кафедры электронных приборов и устройств (ЭПУ) СПбГЭТУ «ЛЭТИ» Николай Евгеньевич Староверов.
Для обучения и тестирования алгоритмов медицинские специалисты предоставили 150 изображений КТ брюшной полости в двух фазах контрастирования: артериальной и венозной. Врачи-рентгенологи и врачи-радиологи консультировали ученых ЛЭТИ о том, какие данные являются наиболее важными для обучения модели. Кроме того, с помощью специальных инструментов исследователи из НМИЦ хирургии им А.В. Вишневского Минздрава России (Москва) создали сегментационные маски, которые включают в себя воксели (пиксели), относящиеся к паренхиме.
Так, были разработаны две нейросети, которые позволяют находить орган и его образование, строить их 3D-модель на основе сегментационных масок, а также отличать исследования КТ органов брюшной полости с опухолью поджелудочной железы и без. Для валидации полученных алгоритмов был подготовлен тестовый набор из 46 анонимизированных КТ-снимков, которые оценили врачи-эксперты. Во всех случаях нейросеть продемонстрировала точность выявления патологических изменений в поджелудочной железе по данным КТ, которая составила 92,55%. Это доказывает, что при дальнейшем обучении модель сможет способствовать уменьшению пропуска патологий поджелудочной железы при КТ, но дальнейшая и окончательная оценка изменений в органе должна быть произведена врачом-рентгенологом.
«Обученные нейросети обладают несколькими важными функциями, которые могут значительно улучшить диагностику и лечение заболеваний поджелудочной железы. Во-первых, при совместном использовании с радиомикой можно будет построить карту вероятности наличия опухоли или других патологий, основываясь на различных характеристиках вокселей в данной зоне. Во-вторых, одна из нейросетей может определять с высокой точностью, есть в органе образование или нет. И, в-третьих, автоматическая сегментация опухолей даст возможность создать быстро и более точные 3D-модели органа и образования в нем, которые будут крайне полезны при проведении хирургических операций по удалению опухолей», – отметила аспирант НМИЦ хирургии им А.В. Вишневского Минздрава России, врач-рентгенолог Онкологического центра №1 им. С.С. Юдина, основатель образовательного проекта по лучевой диагностике «ZAMYATINASCOOL» Ксения Андреевна Замятина.
Работа, которая ведется в рамках десятилетия науки и технологий в России, главным мероприятием которого является Конгресс молодых ученых, выполнялась под руководством врача-рентгенолога, заведующего отделением рентгенологии и магнитно-резонансных исследований НМИЦ хирургии им. А.В. Вишневского Минздрава России Евгения Валерьевича Кондратьева.
Результаты исследований представлены в журнале Medical Visualization.
Источник информации: СПбГЭТУ «ЛЭТИ»
Источник фото: ru.123rf.com
