Набор данных компьютерной томографической ангиографии, содержащих сегментацию брюшного отдела аорты

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Алгоритмы искусственного интеллекта активно применяют для анализа изображений, полученных с помощью различных методов лучевой диагностики. Эффективность работы таких алгоритмов во многом зависит от наличия релевантных и репрезентативных обучающих наборов данных. Существует потребность в увеличении объёма таких данных в открытом доступе, в частности наборов данных, содержащих изображения компьютерной томографической ангиографии брюшной аорты не только с классификацией патологий, но и сегментацией сосудов. К недостаткам существующих решений можно отнести малый объём выборок, узкую специализацию наборов данных, разрозненность методологии их подготовки.

Цель — создание открытого набора данных, содержащего изображения компьютерной томографической ангиографии с сегментацией брюшного отдела аорты для случаев нормы, расширения, тромбоза и кальциноза.

Материалы и методы. В соответствии с методологией проведения тестирования алгоритмов искусственного интеллекта разработано техническое задание на подготовку набора данных, рассчитан необходимый объём выборки и получено разрешение независимого этического комитета. Для создания набора данных применён разработанный ранее оригинальный алгоритм полуавтоматической сегментации с использованием программного обеспечения Slicer 3D. Критерии включения: результаты компьютерной томографической ангиографии либо компьютерной томографии брюшной полости с контрастированием; наличие артериальной фазы сканирования; толщина среза ≤3 мм. Критерии исключения: наличие любых инородных тел в просвете аорты; диссекция аорты. Проведена апробация алгоритма на результатах исследования пациентов, полученных из Единой радиологической информационной системы. Осуществлена экспертная оценка соответствия полученных результатов сформированным требованиям, а также оценка временных затрат при использовании разработанного алгоритма сегментации.

Результаты. Рассчитанный объём выборки составил 100 ангиографических исследований, содержащих артериальную фазу сканирования, с толщиной среза ≤1,2 мм. Популяционные данные: количество уникальных пациентов — 100, доля пациентов женского пола — 51%; медиана возраста составила 62 года при размахе значений от 18 до 84 лет. Патология (в том числе комбинированная) обнаружена в 61% случаев: 60 результатов исследования содержали признаки кальциноза, 18 — расширение аорты и столько же результатов — признаки тромбированного просвета. Среднее время обработки одного исследования (100 срезов) с использованием разработанного алгоритма сегментации составило 0,8 часа.

Заключение. Создан набор данных, содержащий 100 результатов компьютерной томографической ангиографии с сегментацией брюшной аорты для случаев нормы, расширения, тромбоза и кальциноза просвета. Набор данных представлен в открытом доступе и его можно использовать с целью разработки и тестирования алгоритмов искусственного интеллекта, а также антропоморфного моделирования брюшной аорты.

Об авторах

Мария Романовна Коденко

Научно-практический клинический центр диагностики и телемедицинских технологий; Московский государственный технический университет имени Н.Э. Баумана

Автор, ответственный за переписку.
Email: m.r.kodenko@yandex.ru
ORCID iD: 0000-0002-0166-3768
SPIN-код: 5789-0319

канд. техн. наук

Россия, Москва; Москва

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN-код: 4458-5608

канд. мед. наук

Россия, Москва

Александр Владимирович Соловьев

Научно-практический клинический центр диагностики и телемедицинских технологий; Морозовская детская городская клиническая больница

Email: SolovevAV10@zdrav.mos.ru
ORCID iD: 0000-0003-4485-2638
SPIN-код: 9654-4005
Россия, Москва; Москва

Денис Владимирович Гатин

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: GatinDV@zdrav.mos.ru
ORCID iD: 0000-0002-6218-3012
SPIN-код: 2256-3564
Россия, Москва

Елена Петровна Ясакова

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: YasakovaEP@zdrav.mos.ru
ORCID iD: 0000-0003-0315-5502
SPIN-код: 1047-4692

канд. мед. наук

Россия, Москва

Анастасия Викторовна Гусева

Научно-практический клинический центр диагностики и телемедицинских технологий; Московский государственный технический университет имени Н.Э. Баумана

Email: GusevaAV13@zdrav.mos.ru
ORCID iD: 0009-0006-1787-4726
SPIN-код: 2778-3820
Россия, Москва; Москва

Роман Владимирович Решетников

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ReshetnikovRV1@zdrav.mos.ru
ORCID iD: 0000-0002-9661-0254
SPIN-код: 8592-0558

канд. физ.-мат. наук

Россия, Москва

Список литературы

  1. Kumar DS, Bhat V, Gadabanahalli K, Kalyanpur A. Spectrum of abdominal aortic disease in a tertiary health care setup: MDCT based observational study. J Clin Diagn Res. 2016;10(11):TC24–TC29. doi: 10.7860/JCDR/2016/21373.8928
  2. Russian Society of Angiologists and Vascular Surgeons. Abdominal aortic aneurysm: clinical guidelines [Internet]. Moscow: Russian Society of Angiologists and Vascular Surgeons; 2022 [cited 2022 Apr 7]. (In Russ.) Available from: https://angiolsurgery.org/library/recommendations/2022/aneurysm/recommendation.pdf
  3. Baliyan V, Shaqdan K, Hedgire S, Ghoshhajra B. Vascular computed tomography angiography technique and indications. Cardiovascular Diagnosis and Therapy. 2019;9(S1):S14S27. doi: 10.21037/CDT.2019.07.04 EDN: IPZHHC
  4. Alowais ShA, Alghamdi SS, Alsuhebany N, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Medical Education. 2023;23(1):689. doi: 10.1186/s12909-023-04698-z EDN: AJSDXW
  5. Ueda D, Kakinuma T, Fujita SH, et al. Fairness of artificial intelligence in healthcare: review and recommendations. Japanese Journal of Radiology. 2023;42(1):3–15. doi: 10.1007/s11604-023-01474-3 EDN: WQQDIA
  6. Shchupakova AN, Litvyakov AM. Characteristics of atherosclerotic lesion of the abdominal aorta and its unpaired visceral branches in patients with chronic abdominal ischemia. Terapevticheskii arkhiv. 2004;79(6):70–74. EDN: OJZUCJ
  7. Radl L, Jin YU, Pepe A, et al. AVT: Multicenter aortic vessel tree CTA dataset collection with ground truth segmentation masks. Data in Brief. 2022;40:107801. doi: 10.1016/j.dib.2022.107801 EDN: PEOYKJ
  8. Imran M, Kreds JR, Gopu VRR, et al. CIS-UNet: Multi-class segmentation of the aorta in computed tomography angiography via context-aware shifted window self-attention. Computerized Medical Imaging and Graphics. 2024;118:102470. doi: 10.1016/j.compmedimag.2024.102470
  9. Fantazzini A, Esposito M, Finotello A, et al. 3D automatic segmentation of aortic computed tomography angiography combining multi-view 2D convolutional neural networks. Cardiovascular Engineering and Technology. 2020;11(5):576–586. doi: 10.1007/s13239-020-00481-z EDN: FHKUXK
  10. Jung Y, Kim S, Kim J, et al. Abdominal aortic thrombus segmentation in postoperative computed tomography angiography images using Bi-directional cnvolutional long short-term memory architecture. Sensors. 2022;23(1):175. doi: 10.3390/s23010175 EDN: SGCHXK
  11. Norgeot B, Quer G, Beaulieu-Jones BK, et al. Minimum information about clinical artificial intelligence modeling: the MI-CLAIM checklist. Nature Medicine. 2020;26(9):1320–1324. doi: 10.1038/s41591-020-1041-y EDN: NRQASJ
  12. Vasilev YuA, Arzamasov KM, Vladzymyrskyy AV, et al. Preparing a dataset for training and testing software based on artificial intelligence technology: a training manual. Moscow: Moscow Center for Diagnostics and Telemedicine; 2023. (In Russ.) EDN: OGKFGM
  13. Tymkovich MYu, Avruninn OG, Semenets VV. Using DICOM images in medical systems. Technical Electrodynamics. 2012;(thematic issue):178–183. (In Russ.)
  14. Li X, Morgan P, Ashburner J, et al. The first step for neuroimaging data analysis: DICOM to NIfTI conversion. Journal of Neuroscience Methods. 2016;264:47–56. doi: 10.1016/j.jneumeth.2016.03.001
  15. Kodenko MR, Vasilev YuA, Vladzymyrskyy AV. Segmentation of arterial vessels based on CT angiography data using 3D Slicer software: Guidelines. Moscow: Moscow Center for Diagnostics and Telemedicine; 2024. (In Russ.) EDN: CYLZQL
  16. Kodenko MR, Makarova TA. Preparation of abdominal computed tomography data set for patients with abdominal aortic aneurysm. Digital Diagnostics. 2023;4(1S):90–92. doi: 10.17816/DD430355 EDN: SIUWRL
  17. Riley RD, Snell KIE, Archer L, et al. Evaluation of clinical prediction models (part 3): calculating the sample size required for an external validation study. BMJ. 2024;384:e074821. doi: 10.1136/bmj-2023-074821
  18. Hazra A. Using the confidence interval confidently. Journal of Thoracic Disease. 2017;9(10):4124–4129. doi: 10.21037/jtd.2017.09.14
  19. Vasilev YuA, Vladzymyrskyy AV, Arzamasov KM, et al. Computer vision in radiation diagnostics: the first stage of the Moscow experiment. [Internet]. Moscow: Izdatel'skie resheniya; 2022 [cited 2024 Apr 22]. Available from: https://telemedai.ru/biblioteka-dokumentov/kompyuternoe-zrenie-v-luchevoj-diagnostike-pervyj-etap-moskovskogo-eksperimenta
  20. Certificate of state registration of the database N 2024621990/ 08.05.2024. Byul. N 5. Vasilev YuА, Kodenko МR, Solovev AV, et al. A computed tomography angiography dataset showing calcification, thrombosis, dilation, and aneurysm, and containing segmentation of the lumen and wall of the abdominal aorta. Available from: https://elibrary.ru/download/elibrary_67262583_69739205.PDF (In Russ.) EDN: FOPTBQ
  21. Guseva AV, Kodenko MR. Anthropomorphic abdominal aortic phantoms for computed tomography angiography. Digital Diagnostics. 2024;5(1S):27–29. doi: 10.17816/DD626820 EDN: BMDJUN
  22. Lesage D, Angelini ED, Bloch I, Funka-Lea G. A review of 3D vessel lumen segmentation techniques: models, features and extraction schemes. Medical image analysis. 2009;13(6):819–845. doi: 10.1016/j.media.2009.07.011

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Сегментация брюшного отдела аорты с помощью программного обеспечения 3D-Slicer.

Скачать (143KB)
Метаданные
3. Рис. 2. Разметка сосуда с помощью программного обеспечения 3D-Slicer: красный цвет — просвет сосуда; фиолетовый цвет — тромбы; жёлтый цвет — кальцинаты.

Скачать (127KB)
Метаданные
4. Рис. 3. Фрагмент набора данных, иллюстрирующий его организацию: файл classification.xlsx содержит перечень исследований, включённых в набор данных и результаты классификации. В директории studies находятся исследования и бинарные маски сегментации в формате NifTI — Neuroimaging Informatics Technology Initiative (.nii).

Скачать (63KB)
Метаданные

© Эко-вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».