Способы сегментации медицинских изображений

Извлечение различной значимой медицинской информации из КТ и МРТ снимков - это одна из наиболее важных и трудных задач в сфере анализа медицинских изображений. Недостаток автоматизации в этих задачах становится причиной необходимости скрупулезной обработки данных экспертом, что ведет к возможности ошибок, связанных с человеческим фактором. Несмотря на то, что некоторые из методов решения задач могут быть полуавтоматическими, они все еще опираются на человеческие компетенции. Основной целью наших исследований является создание инструмента, который максимизирует уровень автоматизации в задачах обработки медицинских снимков. Наш проект состоит из двух частей: набор алгоритмов для обработки снимков, а также инструменты для интерпретирования и визуализации результатов. В данной статье мы представляем обзор лучших существующих решений в этой области, а также описание собственных алгоритмов для актуальных проблем, таких как сегментация костных глазных орбит и опухолей мозга, используя сверточные нейронные сети. Представлено исследование эффективности различных моделей нейронных моделей при классификации и сегментации для обеих задач, а также сравнительный анализ различных нейронных ансамблей, применяемых к задаче выделения опухолей головного мозга на медицинских снимках. Также представлено наше программное обеспечение под названием «MISO Tool», которое создано специально для подобного рода задач и позволяет выполнять сегментирование тканей с использованием предварительно обученных поставляемых вместе с ПО нейронных сетей, производить различные манипуляции с пиксельными данными DICOM-изображения, а также получать 3D-реконструкция сегментированных областей.

глубокие нейронные сети, свёрточные нейронные сети, опухоли мозга, костные глазные орбиты, медицинские изображения

1. Wagner M.E., Gellrich N.C., Friese K.I. et al. Model-based segmentation in orbital volume measurement with cone beam computed tomography and evaluation against current concepts. International Journal of Computer Assisted Radiology and Surgery, vol. 11, issue 1, 2016, pp 1-9

2. Jean-Franois D, Andreas B. Atlas-based automatic segmentation of head and neck organs at risk and nodal target volumes: a clinical validation. Radiation Oncology, 2013, 8:154

3. Yushkevich P.A. Piven J., Hazlett H.C. et al. User-guided 3D active contour segmentation of anatomical structures: significantly improved efficiency and reliability. NeuroImage, vol. 31, issue 3, 2006, pp. 1116-1128

4. Doyle, S., Vasseur, F., Dojat, M., Forbes, F. Fully Automatic Brain Tumor Segmentation from Multiple MR Sequences using Hidden Markov Fields and Variational EM. In Procs. of the NCI-MICCAI BRATS, 2013, pp. 18-22

5. Cardoso, M.J., Sudre, C.H., Modat, M., Ourselin, S. Template-based multimodal joint generative model of brain data. Lecture Notes in Computer Science, vol. 9123, 2015, pp. 17-29

6. H. N. Bharath, S. Colleman, D. M. Sima, S. Van Huffel. Tumor Segmentation from Multimodal MRI Using Random Forest with Superpixel and Tensor Based Feature Extraction. Lecture Notes in Computer Science, vol. 10670, 2018, pp. 463-473.

7. Chi-Hoon Lee, Mark Schmidt, Albert Murtha, Aalo Bistritz, Jöerg Sander, Russell Greiner. Segmenting brain tumors with conditional random fields and support vector machines. Lecture Notes in Computer Science, vol. 3765, 2005, pp. 469-478

8. Kamnitsas K., Ledig C., Newcombe V.F.J., Simpson J.P., Kane A.D., Menon D.K., Rueckert D., Glocker B. Efficient multi-scale 3DCNN with fully connected CRF for accurate brain lesion segmentation. Medical Image Analysis, vol. 36, 2017, pp. 61-78.

9. G. Wang, W. Li, S. Ourselin, T. Vercauteren. Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks. Lecture Notes in Computer Science, vol. 10670, 2018, pp. 178-190

10. Menze B.H., Jakab A., Bauer S. et al. The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Transactions on Medical Imaging, vol. 34, issue 10, 2015, pp. 1993-2024

11. Spyridon Bakas, Hamed Akbari, Aristeidis Sotiras et al. Advancing The Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features. Scientific Data, vol. 4, 2017, Article number: 170117

12. Günter Klambauer, Thomas Unterthiner, Andreas Mayr, Sepp Hochreiter. Self-Normalizing Neural Networks. Advances in Neural Information Processing Systems, vol. 30, 2017

13. L.K. Hansen and P Salamon. Neural network ensembles. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 12, issue 10, 1990, pp. 993- 1001

14. J. van Doorn. Analysis of deep convolutional neural network architectures. Доступно по ссылке: https://pdfs.semanticscholar.org/6831/bb247c853b433d7b2b9d47780dc8d84e4762.pdf, дата обращения 13.06.2018

15. Hahnloser R.H., Sarpeshkar R., Mahowald M.A., Douglas R.J., Seung H.S. Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit. Nature, vol. 405, 2000, pp. 947-951

16. O. Ronneberger, P. Fischer, and T. Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science, vol. 9351, 2015, pp. 234-241

17. Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, and Ruslan Salakhutdinov. Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, vol. 15, issue 1, 2014, pp. 1929-1958