Модифицированная модель глубокого обучения для бинарной сегментации почечных патологий

Разработана модифицированная модель глубокого обучения для бинарной сегментации почечных патологий на компьютерной томографии. Актуальность исследования определяется потребностью в повышении точности и эффективности выявления аномалий на этапе первичной диагностики, особенно в условиях высокой нагрузки на медицинские учреждения.

Цель работы – создание универсальной системы автоматической детекции и локализации патологий почек без предварительной классификации их морфологического типа.

Методы. В основе модели лежит модифицированная архитектура U-Net с пятью уровнями энкодера и декодера. Внесены изменения: замена максимального пулинга на свёртку с шагом два, использование групповой нормализа- ции и регуляризации методом исключений. Обучение проводилось на клиническом наборе данных из более чем 400 мультиспиральных компьютерных томографий с венозным контрастированием. Предварительная обработка включала преобразование интенсивностей в единицы Хаунсфилда, нормализацию без жёсткого ограничения диапазона и аугментацию данных. Для обучения применялась гибридная функция потерь, сочетающая коэффициент Дайса и бинарную кросс-энтропию.

Результаты. На независимой тестовой выборке достигнуто значение средневзвешенного коэффициента Дайса 0,85. Модель демонстрирует высокую точность сегментации при различных типах патологий – кистах (включая сложные по классификации Bosniak), солидных опухолях и смешанных структурах. Сохраняется устойчивость при анатомических аномалиях (подковообразная почка, дистопия) и при малых размерах очагов (менее 5 мм).

Выводы. Предложенная модель обеспечивает высокую универсальность и применимость в рутинной клинической практике. Возможность детекции широкого спектра патологий без предварительной типизации повышает её клиническую значимость и пригодность для скрининга.

Область применения. Результаты могут быть использованы в онкоурологии для первичного анализа компьютерной томографии, подготовки к хирургическому вмешательству и обучения медицинских специалистов. Перспективна интеграция модели в системы хранения и передачи медицинских изображений для автоматической предобработки исследований.

1. Российское общество онкоурологов и др. Клинические рекомендации. Рак паренхимы почки. Министерство здравоохранения Российской Федерации. – Москва, 2023. Доступно по: omnidoctor.ru/upload/iblock/3f9/ucp3yrezax5ecu0d66dfuz1pvjl597yb.pdf. Дата обращения: 05.05.2024.

2. Злокачественные новообразования в России в 2023 году (заболеваемость и смертность) / под ред. А.Д. Каприна и др. – М.: МНИОИ им. П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. – 276 с.

3. The 2023 Kidney and Kidney Tumor Segmentation Challenge (KiTS23). University of Minnesota Robotics Institute (MnRI); Helmholtz Imaging at DKFZ; Cleveland Clinic’s Urologic Cancer Program. 2023. Available at: kits-challenge.org/kits23. Accessed 15.05.2024.

4. Hatamizadeh A, Tang Y, Nath V, Yang D, et al. UNETR: Transformers for 3D Medical Image Segmentation. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). 2022: 574-584.

5. Карпов О.Э., Субботин С.А., Шишканов Д.В. Использование медицинских данных для создания систем поддержки принятия врачебных решений // Системы поддержки принятия решений. – 2019. – №2. – С.16-23.

6. Постановление Правительства Российской Федерации от 11 декабря 2012 г. №1119 «Об утверждении Требований к защите персональных данных при обработке в информационных системах персональных данных» // Собрание законодательства Российской Федерации. – 2012. – №50. – Ст.7347.

7. Постановление Правительства Российской Федерации от 21 марта 2012 г. №211 «О перечне мер, направленных на обеспечение выполнения обязанностей, предусмотренных Федеральным законом „О персональных данных“» (ред. от 06.09.2014) // Собрание законодательства Российской Федерации. – 2012. – №12. – Ст.1455.

8. ГОСТ Р 55036–2012. Информатизация здоровья. Псевдонимизация. Методы и рекомендации / ISO/TS 25237:2008. – Введ. 2013–07–01. – М.: Стандартинформ, 2012. – 16 с.

9. Федеральный закон от 27.07.2006 №152-ФЗ «О персональных данных» (с изм. и доп. от 08.08.2024) // Собрание законодательства Российской Федерации. – 2006. – №31. – Ст.3451.

10. Медло А.А., Кобцова Т.В., Башкирова Л.В., Логовой Ю.Н. Методы диагностики и оценки степени распространенности онкологических заболеваний // Практическая онкология. – 2017. – Т.18. – №1. – С.322-329.

11. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015: P.234-241.

12. Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research (JMLR). 2014; 15: 1929- 1958.

13. Юрова А.С. Методы автоматизированной сегментации КТ-изображений брюшной полости: Дис. ... канд. физ.-мат. наук. – Москва, 2018. – 146 с.