Оценка эффективности применения программного обеспечения для субтракции MosMedReg в диагностике рассеянного склероза по данным магнитно-резонансной томографии

Цель работы — оценить эффективность автоматизированного программного обеспечения MosMedReg для субтракционного анализа МРТ головного мозга в динамике у пациентов с рассеянным склерозом в условиях рутинной амбулаторной практики. В исследование включены 30 пар МРТ, выполненных на аппаратах 1,5 Тл разных производителей, с использованием последовательностей T2, FLAIR и T1 с контрастированием и вариативной толщиной срезов. Для обработки применялись алгоритмы регистрации и субтракции на базе библиотеки SimpleElastix. Изображения анализировались экспертом вручную и с помощью программного обеспечения, результаты оценивались по клинической и технической шкалам.

Программное обеспечение обеспечило успешную регистрацию и субтракцию во всех случаях, включая серии с различиями в толщине срезов и проекциях. Среднее количество выявленных новых очагов при использовании MosMedReg не отличалось от экспертной оценки (p = 0,25), однако в ряде случаев субтракция позволила выявить клинически значимые изменения, не отмеченные при стандартном анализе. Отмечались и ложноположительные находки, связанные с техническими артефактами при несоответствии параметров сканирования.

Результаты подтверждают воспроизводимость и практическую применимость субтракционного анализа с помощью MosMedReg для повышения объективности и стандартизации диагностики в амбулаторной практике.

1. Coutinho Costa VG, Arau´ jo SE-S, Alves-Leon SV and Gomes FCA (2023) Central nervous system demyelinating diseases: glial cells at the hub of pathology. Front. Immunol. 14: 1135540. doi: 10.3389/fimmu.2023.1135540.

2. Захарова М.Н. Рассеянный склероз: вопросы диагностики и лечения. Практическое руководство для врачей. — Москва: Медиа Менте, 2018. 240 с.

3. Emilio P, Melinda M, Eva KH, et al. Multiple sclerosis: emerging epidemiological trends and redefining the clinical course, The Lancet Regional Health Europe. 2024; 44: 100977. doi: 10.1016/j.lanepe.2024.100977.

4. Walton C, King R, Rechtman L, et al. Rising prevalence of multiple sclerosis worldwide: Insights from the Atlas of MS, third edition. Mult Scler. 2020 Dec; 26(14): 1816-1821. doi: 10.1177/1352458520970841.

5. Rocca, Maria A, et al. Current and future role of MRI in the diagnosis and prognosis of multiple sclerosis. The Lancet Regional Health — Europe. 2024; 44: 100978. doi: 10.1016/j.lanepe.2024.100978.

6. Клинические рекомендации «Рассеянный склероз» (по итогам обсуждения на 5-м Конгрессе РОКИРС, г. Уфа, 30.09.2023 и на Президиуме ВОН 25.12.2024). 2024. Доступно по: https:// disk.yandex.ru/i/0vzicLGjK2wXBQ (дата обращения: 17.06.2025).

7. Zürrer WE, Cannon AE, Ilchenko D, et al. Misdiagnosis and underdiagnosis of multiple sclerosis: A systematic review and meta-analysis. Multiple Sclerosis Journal. 2024; 30(11-12): 1409-1422. doi: 10.1177/13524585241274527.

8. Lee JK, Bermel R, Bullen J, et al. Structured reporting in multiple sclerosis reduces interpretation time. Academic Radiology. 2021; 28(12): 1733-1738. doi: 10.1016/j.acra.2020.08.006.

9. Schlaeger S, Shit S, Eichinger P, et al. AI-based detection of contrast-enhancing MRI lesions in patients with multiple sclerosis. Insights Imaging. 2023; 14: 123. doi: 10.1186/s13244-023-01460-3.

10. Barnett M, Wang D, Beadnall H, et al. A real-world clinical validation for AI-based MRI monitoring in multiple sclerosis. npj Digital Medicine. 2023; 6: 196. doi: 10.1038/s41746-023-00940-6.

11. Eichinger P, Schön S, Pongratz V, et al. Accuracy of unenhanced MRI in the detection of new brain lesions in multiple sclerosis. Radiology. 2019; 291(2): 429-435. doi: 10.1148/radiol.2019181568.

12. Sweeney EM, Shinohara RT, Shea CD, et al. Automatic lesion incidence estimation and detection in multiple sclerosis using multisequence longitudinal MRI. AJNR American Journal of Neuroradiology. 2013; 34(1): 68-73. doi: 10.3174/ajnr.A3172.

13. Homssi M, Sweeney EM, Demmon E, et al. Evaluation of the statistical detection of change algorithm for screening patients with MS with new lesion activity on longitudinal brain MRI. AJNR American Journal of Neuroradiology. 2023; 44(6): 649-655. doi: 10.3174/ajnr.A7858.

14. Rovira À, Wattjes M, Tintoré M, et al. MAGNIMS consensus guidelines on the use of MRI in multiple sclerosis—clinical implementation in the diagnostic process. Nature Reviews Neurology. 2015; 11: 471-482. doi: 10.1038/nrneurol.2015.106.

15. Васильев Ю.А., Петряйкин А.В., Кулиговский Д.В., и др. Программа для обнаружения ликвореи по данным компьютерной томографии головного мозга. Свидетельство о государственной регистрации программы для ЭВМ №2023669002. 2023.

16. Duan Y, et al. Segmentation of subtraction images for the measurement of lesion change in multiple sclerosis. AJNR American Journal of Neuroradiology. 2008; 29(2): 340-346. doi: 10.3174/ajnr.A0795.

17. Billot B, et al. SynthSeg: Segmentation of brain MRI scans of any contrast and resolution without retraining. Medical Image Analysis. 2023; 86: 102789. doi: 10.1016/j.media.2023.102789.

18. Meijer FJA, et al. Ultra-high-resolution subtraction CT angiography in the follow-up of treated intracranial aneurysms. Insights Imaging. 2019; 10: 2. doi: 10.1186/s13244-019-0685-y.

19. Tanaka R, et al. Novel developments in non-invasive imaging of peripheral arterial disease with CT: experience with state-of-the-art, ultra-high-resolution CT and subtraction imaging. Clin Radiol. 2019; 74(1): 51-58. doi: 10.1016/j.crad.2018.03.002.

20. Tanaka R, et al. Novel developments in non-invasive imaging of peripheral arterial disease with CT: experience with state-of-the-art, ultra-high-resolution CT and subtraction imaging. Clinical Radiology. 2019; 74(1): 51-58. doi: 10.1016/j.crad.2018.03.002.

21. Homssi M, Sweeney EM, Demmon E, et al. Evaluation of the statistical detection of change algorithm for screening patients with MS with new lesion activity on longitudinal brain MRI. American Journal of Neuroradiology. 2023; 44(6): 649-655. doi: 10.3174/ajnr.A7858.

22. Zitova B, Flusser J. Image registration methods: A survey. Image and Vision Computing. 2003; 21: 977-1000.

23. Twining CJ, Cootes T, Marsland S, et al. A unified information-theoretic approach to groupwise nonrigid registration and model building. In: Christensen GE, Sonka M, eds. Information Processing in Medical Imaging. IPMI 2005. Lecture Notes in Computer Science, vol 3565. Springer, Berlin, Heidelberg, 2005. doi: 10.1007/11505730_1.

24. Balakrishnan G, Zhao A, Sabuncu MR, et al. VoxelMorph: A learning framework for deformable medical image registration. IEEE Transactions on Medical Imaging. 2019; 38(8): 1788-1800. doi: 10.1109/TMI.2019.2897538.

25. Strittmatter A, Weis M, Zöllner FG. A groupwise multiresolution network for DCE-MRI image registration. Scientific Reports. 2025; 15: 9891. doi: 10.1038/s41598-025-94275-9.

26. Ratke A, Darsht E, Heinzelmann F, et al. Deep-learning-based deformable image registration of head CT and MRI scans. Frontiers in Physics. 2023; 11: 1292437. doi: 10.3389/fphy.2023.1292437.

27. Xiao H, Teng X, Liu C, et al. A review of deep learning-based three-dimensional medical image registration methods. Quantitative Imaging in Medicine and Surgery. 2021; 11(12): 4895-4916. doi: 10.21037/qims-21-175.

28. 3D SlicerElastix documentation. Available at: https://github.com/lassoan/SlicerElastix/ (accessed 06.06.2025).

29. Meta VCI Map: Software tools. Available at: https://metavcimap.org/features/software-tools/ (accessed 06.06.2025).

30. Попов В.В., Станкевич Ю.А., Василькив Л.М., Тулупов А.А. Бесконтрастное количественное исследование перфузионных изменений головного мозга при рассеянном склерозе. Digital Diagnostics. — 2024. — №5(S1). — С.86-88.