Применение методов машинного обучения и обработки медицинских изображений в решении задачи обнаружения стенозов средней мозговой артерии по данным компьютерно-томографической ангиографии

Обоснование. Ишемический инсульт — одна из ведущих причин смертности как в России, так и во всём мире [1]. Одним из основных методов диагностики ишемического инсульта является компьютерная томографическая ангиография, позволяющая определить наличие стеноза или окклюзии церебральных артерий. Большая часть ишемических инсультов (51%) приходится на бассейн средней мозговой артерии [2], что обусловливает повышенный интерес к оценке кровотока именно в данной области головного мозга. Ручное определение стенозов отличается субъективностью оценки и требует значительных временных затрат. Автоматизация обнаружения сужений средней мозговой артерии является востребованной задачей анализа изображений компьютерной томографической ангиографии.

Цель — разработка алгоритма автоматического обнаружения стенозов в средней мозговой артерии на DICOM-изображениях компьютерной томографической ангиографии на основе применения искусственных нейронных сетей, алгоритмов оценки сосудистости и скелетонизации.

Материалы и методы. Были использованы 262 серии компьютерной томографической ангиографии пациентов Научно-исследовательского института скорой помощи имени Н.В. Склифосовского, из них 94 серии — со стенозом в М1/М2 сегменте средней мозговой артерии. Для обработки изображений применялась искусственная нейронная сеть с архитектурой архитектуры CFPNet-M [3]. Реконструкция сосудистого дерева была основана на вычислении меры «сосудистости» (vesselness) [4] с последующей скелетонизацией выявленных структур.

Результаты. На первом этапе работы была обучена нейронная сеть для сегментации бассейна средней мозговой артерии: обучающий массив был сформирован с помощью шаблона MNI152 с применением аффинных преобразований и их последующей экспертной оценкой. При этом мера IoU (Intersection over Union) составила 0,81. Основным этапом являлась сегментация сосудистого дерева средней мозговой артерии на основе использования фильтра vesselness с последующей оценкой интенсивности вокселей и поиском связанного объекта с наибольшей длиной. Далее осуществлялось построение скелета средней мозговой артерии, то есть определение осевой линии сосуда с представлением получившегося скелета в виде графа, рёбрами которого являются сосуды, а вершинами точки их бифуркаций. Следующим этапом производился расчёт морфологических признаков (диаметр, площадь и периметр) в плоскости поперечного сечения для каждого сегмента (участка между точками бифуркации). На последнем этапе определялась область сужения на основе анализа поведения сечений сегментов с нахождением отклонения от порогового значения. Общая точность алгоритма составила 79,39% (95% доверительный интервал 73,98–84,12), чувствительность — 80,85% (95% доверительный интервал 71,44–88,24), специфичность — 78,57% (95% доверительный интервал 71,59–84,52).

Заключение. Таким образом, был разработан алгоритм детекции стенозов в М1/М2 сегменте на основе сегментации бассейна средней мозговой артерии, оценки vesselness и скелетонизации сосудистого дерева. Применение разработанного алгоритма на практике, после его валидации и клинической апробации, позволит упростить рутинную оценку изображений компьютерной томографической ангиографии врачами-рентгенологами и даст возможность получения объективной оценки области стеноза.