Ученые разработали надежную модель искусственного интеллекта, которая автоматически выделяет основные анатомические структуры на изображениях МРТ независимо от последовательности сканирования. Модель показала лучшие результаты по сравнению с другими общедоступными инструментами. При анализе 13 анатомических структур модель оказалась на 49,6% эффективнее аналогов. Новая разработка поможет сократить время и усилия, затрачиваемые на ручную обработку изображений, а также уменьшить количество ошибок. Результаты исследования опубликованы в журнале Radiology.
Сегментация МРТ-изображений — это этап разделения снимка на отдельные части, который позволяет выделить конкретные органы, ткани или области интереса. Этот шаг важен для анализа медицинских изображений, потому что позволяет измерить форму, размеры и объем органов, а также выявить патологию. Сегментация может выполняться вручную, что требует много времени и усилий, или автоматически с использованием различных методов, включая нейронные сети. Автоматическая сегментация способна уменьшить время анализа и повысить точность. Однако построение таких моделей на основе реальных клинических данных может усложняться разными проблемами. К ним относятся различия размеров и интенсивности изображений в зависимости от настроек томографа, неоднозначность трактовки результатов специалистами и несовпадение контуров мишени на МРТ.
Ученые разработали и обучили модель искусственного интеллекта TotalSegmentator MRI проводить независимую от последовательности снимков сегментацию основных анатомических структур, используя случайную выборку данных из 616 МРТ и 527 КТ-исследований. Обучающий набор включал снимки с сегментацией 80 анатомических структур, обычно используемых для измерения объема, характеристики заболевания и планирования хирургического вмешательства.
Для создания TotalSegmentator MRI команда использовала архитектуру nnU-Net, которая разработана специально для анализа биомедицинских изображений. Для оценки производительности модели разработчики использовали коэффициент Дайса: показатель, измеряющий сходство двух наборов данных.
Модель TotalSegmentator MRI продемонстрировала коэффициент Дайса 0,839 на внутреннем тестовом наборе изображений МРТ, что указывает на хорошую производительность по 80 анатомическим структурам. В сравнении с двумя другими общедоступными моделями сегментации разработка достигла коэффициента Дайса 0,862 для 40 анатомических структур (против 0,759) и 0,838 для 13 анатомических структур (против 0,560).
Ученые также провели исследование, в котором обучали отдельные модели только на МРТ-сканах и только на КТ-изображениях. Модель, обученная как на МРТ, так и на КТ, показала лучшие результаты на тестовом наборе МРТ, чем модель, обученная только на МРТ. Следовательно, включение КТ-изображений в обучающую выборку улучшило сегментацию МРТ.
«Насколько нам известно, наша модель — единственная, которая может автоматически сегментировать наибольшее количество структур на МРТ любой последовательности. Это инструмент, который помогает улучшить работу радиологов, делает измерения более точными и позволяет проводить другие измерения, на которые вручную ушло бы слишком много времени», — сказал Якоб Вассерталь из Университетской клиники Базеля, Швейцария.
Автор: Оксана Гриценко.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
