Ученые Южно-Уральского государственного университета в соавторстве с зарубежными коллегами предложили новую модель классификации снимков магнитно-резонансной томографии на основе технологий глубокого обучения нейронной сети, которая позволяет быстрее и точнее выявлять злокачественные опухоли мозга.
Фото: Getty Images
Фото: Getty Images
Глиобластома представляет собой злокачественную опухоль мозга: происходит бесконтрольное размножение большой части клеток опухоли. Такие опухоли опасны для жизни и могут привести к частичной или полной умственной и физической инвалидности и скорой смерти.
Исследование проводилось интернациональной научной группой, состоящей из пяти представителей университетов Индии и представителей ЮУрГУ — старшего научного сотрудника кафедры системного программирования Высшей школы электроники и компьютерных наук (ВШ ЭКН), постдока Сэчина Кумара и кандидата физико-математических наук, доцента Михаила Цымблера, и было посвящено разработке методов компьютерного анализа снимков МРТ (магнитно-резонансной томографии) для выявления опухолей глиобластомы на основе технологий искусственных нейронных сетей.
Глубокое обучение является широко применяемым подходом для классификации изображений, поскольку оно способно автоматически извлекать из изображений характерные признаки для дальнейшей обработки. Корректность извлеченных признаков, однако, не гарантируется, поскольку пока не разработана соответствующая строгая математическая процедура проверки.
«В данном исследовании была предложена новая модель классификации снимков МРТ на основе технологий глубокого обучения, использующая гибридный подход. Модель предполагает выполнение классификации в три этапа. На первом этапе выполняется предварительная обработка данных, которая предполагает извлечение признаков из изображения посредством дискретного вейвлет-преобразования (функция, позволяющая анализировать частотность данных), векторизацию изображения (делает возможным масштабирование изображения без потери качества) и конструкцию дополнительных признаков для обработки. Второй этап связан с уменьшением размерности изображений с использованием метода главных компонент и предоставляет векторы признаков уменьшенной размерности, используемые для более точной классификации изображений. Третий этап предполагает работу стека ограниченных машин Больцмана (RBM, Restricted Boltzmann machine), формирующих глубокую сеть доверия со скрытыми уровнями, которая завершает процесс классификации», поясняет Сэчин Кумар.
Как правило, глубокая сеть доверия требует большого количества скрытых слоев нейронной сети с большим количеством нейронов в каждом слое для лучшего извлечения характерных признаков из изображения. Это увеличивает пространственную и вычислительную сложность, а также время обучения модели. Однако благодаря интеграции в модель вейвлет-преобразования были уменьшены сложность и время ее обучения. Статистическая проверка подтвердила, что предложенная гибридная модель классификации опережает известные аналоги по времени обучения и точности классификации.
Методы и подходы, предложенные в рамках исследования, могут быть применены для разработки автоматизированных систем диагностики и выявления опухолей и других поражений клеток по снимкам МРТ.
«Хотя МРТ позволяет получать высококонтрастные снимки головного мозга, которые весьма полезны для постановки диагноза человеком, для чтения и понимания таких снимков требуются высококвалифицированные специалисты с соответствующим медицинским образованием. Технологии искусственных нейронных сетей позволяют автоматизировать, упростить и ускорить процесс диагностики, сводя к минимуму рутинную работу человека и снижая требования к его квалификации, обеспечивая при этом более высокую точность диагноза», говорит Михаил Цымблер.
Исследование может быть расширено в направлении повышения эффективности классификационной модели при работе с большим количеством снимков МРТ, в которых имеются шаблоны окклюзионного типа. Окклюзия в общем случае свидетельствует о закупорке сосудов в мозге и требует особого внимания для правильной диагностики. В данном исследовании не рассматривалось приложение разработанной модели для опухолей с шаблонами окклюзионного типа, поэтому применение методов глубокого обучения к указанным данным является интересным направлением для будущих исследований.
Сэчин Кумар, старший научный сотрудник кафедры системного программирования ВШ ЭКН ЮУрГУ, постдок:
— Технологии искусственных нейронных сетей активно применяются для решения широкого круга медицинских задач, в которых строгая математическая постановка задачи затруднена или невозможна. На сегодня это очевидный тренд, поскольку ежегодно публикуются сотни научных статей по данной тематике. К таким задачам относится и диагностика различных заболеваний на основе данных историй болезни пациентов, в том числе по снимкам рентгенографии, МРТ и др. Нейронные сети, создаваемые научными группами и коммерческими компаниями, помогают врачам диагностировать перелом, кровоизлияние, пневмонию, ретинопатию, различные виды рака и множество других заболеваний. В противоположность обычным алгоритмам нейронные сети обучаются на примерах отличать случаи заболевания от нормы и способны обеспечить высокую точность распознавания — более 90%.
Лев Уткин, заведующий лабораторией нейросетевых технологий и искусственного интеллекта Санкт-Петербургского политехнического университета Петра Великого (СПбПУ):
— Я считаю, что разработка ученых Южно-Уральского государственного университета в соавторстве с зарубежными коллегами очень важна и интересна. Глиобластома — одна из практически неизлечимых форм рака, и с этой точки зрения их работа очень актуальна. Хочу отметить, что авторы в статье использовали очень оригинальное решение. С точки зрения машинного обучения они использовали метод понижения размерности. Он используется нечасто. Что вдвойне интересно, авторы применяют довольно редко используемый стек ограниченных машин Больцмана, который формирует глубокую сеть доверия со скрытыми уровнями. Это очень интересно, по крайней мере, я не встречал, чтобы так использовали стек ограниченных машин Больцмана. Это достаточно оригинальная идея для классификации по снимкам МРТ. В целом авторы действительно проделали большую работу. Я понимаю, что представляет собой анализ снимков МРТ. Принцип МРТ, в отличие от компьютерной томографии, намного сложнее. И, с моей точки зрения, авторы предложили очень интересный алгоритм.
Георгий Лебедев, директор Института цифровой медицины Сеченовского университета:
— Решение специалистов из ЮУрГУ определенно сможет ускорить процесс диагностики при помощи МРТ. Успех предложенного подхода на практике будет зависеть от того, насколько верифицирована и полна база данных, которую использует нейросеть, а также как она пройдет клинические испытания. С точки зрения науки это, безусловно, интересное решение. Однако с практической точки зрения к нему есть определенные вопросы. Во-первых, каково количество исследованных нейросетью материалов? Во-вторых, какова достоверность полученных результатов? Предложенный механизм, безусловно, будет полезен, но важна и степень его востребованности. Ведь там, где есть КТ и МРТ, там, как правило, есть и специалист, который его расшифровывает.
Какое значение для медицины может иметь эта технология?
Мы получили один из вариантов применения технологии искусственного интеллекта для анализа медицинских данных. Но на сегодняшний день мы не имеем такого ИИ, который самостоятельно мог бы решать подобные задачи. Поэтому нам необходимо построить базу знаний, которую создают эксперты. Они формируют так называемый data set — набор снимков, где присутствует либо, напротив, отсутствует патология. И когда нейронная сеть получает новый снимок, она приступает к его классификации. Система решает, к какому классу изображений его можно отнести. Если найдена патология, сеть пытается соотнести ее с тем классом патологий, который уже отработан. Это интересная тема, но должен быть проведен определенный маркетинг, насколько технология будет востребована.