Hjernen MRI spiller en afgørende rolle i at diagnosticere alvorlige sundhedsmæssige tilstande hos spædbørn, fra tumorer til neurodegenerative sygdomme. Detektering af unormal hjerneudvikling under barndommen kan guide tidlige interventioner, der kan forhindre eller reducere virkningen af tilstande som cerebral parese. Men scanning af sådanne unge patienter bærer risici, da proceduren kræver generel anæstesi. Forskere ved St. Petersburg State Pediatric Medical University samarbejdede med Yandex School of Data Analysis (SDA) og Yandex Cloud Center for Technologies and Society for at udvikle en AI-løsning til vurdering af spædbarns hjerneudvikling fra MRI-scanninger. Mit navn er Yulia Busygina, og jeg er projektlederen på Yandex Cloud. Sammen med professor Alexander Pozdnyakov vil jeg tage dig bag kulisserne – og dele, hvordan vi har designet AI-løsningen, trænet modellen og testet den for at se, hvordan den fungerer i virkelige scenarier. . GitHub Hvorfor MRI-scanninger er afgørende for babyer En babys hjerne udvikler sig i et utroligt tempo, der ændrer sig næsten uge for uge i løbet af det første år af livet.Men det handler ikke kun om at blive større - hjernen gennemgår også kritiske processer kollektivt kendt som hjerneudvikling. Myelination er dannelsen af en lipid-rig shell omkring nervefibre, som øger lipidindholdet og reducerer vand. Denne proces begynder i den femte måned af føtal udvikling og fortsætter i fuld fart indtil omkring alder to. Sund myelination giver mulighed for en hurtig, pålidelig kommunikation mellem neuroner i de senere år. Hvis hjernen udvikler sig langsommere end forventet, kan det føre til udviklingsforsinkelser. Den menneskelige hjerne er et komplekst system, der kræver omhyggelig opmærksomhed fra de allerførste dage af livet. Forstyrrelser kan opstå, hvis hjernens vækst er enten for langsom eller for hurtig.Desuden går kompleksiteten ud over væksthastigheden. Under nogle forhold forbliver hjernens volumen uændret, mens dens vævsdensitet skifter. Uanset om myelination er unormalt langsom eller overdrevent hurtig (hypermyelination), kan det skabe betingelser, der fører til neurologiske lidelser. — Alexander Pozdnyakov, MD, professor og leder af afdelingen for medicinsk biofysik, St. Petersborg State Pediatric Medical University. er dannelsen af en lipid-rig shell omkring nervefibre, som øger lipidindholdet og reducerer vand. Denne proces begynder i den femte måned af føtal udvikling og fortsætter i fuld fart indtil omkring alder to. Myelination Sund myelination giver mulighed for en hurtig, pålidelig kommunikation mellem neuroner i de senere år. Hvis hjernen udvikler sig langsommere end forventet, kan det føre til udviklingsforsinkelser. Den menneskelige hjerne er et komplekst system, der kræver omhyggelig opmærksomhed fra de allerførste dage af livet. Forstyrrelser kan opstå, hvis hjernens vækst er enten for langsom eller for hurtig.Desuden går kompleksiteten ud over væksthastigheden. Under nogle forhold forbliver hjernens volumen uændret, mens dens vævsdensitet skifter. Uanset om myelination er unormalt langsom eller overdrevent hurtig (hypermyelination), kan det skabe betingelser, der fører til neurologiske lidelser. — Alexander Pozdnyakov, MD, professor og leder af afdelingen for medicinsk biofysik, St. Petersborg State Pediatric Medical University. Spædbørn med unormalt langsom myelination har en højere risiko for at udvikle cerebral parese. Cerebral parese er en af de førende årsager til barndomsforstyrrelser, der påvirker 2-3 ud af hver 1.000 nyfødte. Overvågning af hjernemodning i de første seks måneder af livet kan være afgørende for rettidig indgriben. Nogle patienter har tilstande, der er dårligt forstået og vanskeligt at klassificere, men selv i disse tilfælde kan vi forudse risici og trygt gribe ind i hjernens udvikling. Sådanne indgreb kan omfatte medicin eller hjerne-stimuleringsteknikker til at fremskynde modningen, når det er nødvendigt, eller bremse det til normale niveauer, når det er unormalt hurtigt. — Alexander Pozdnyakov, MD, professor og leder af afdelingen for medicinsk biofysik, St. Petersborg State Pediatric Medical University. Nogle patienter har tilstande, der er dårligt forstået og vanskeligt at klassificere, men selv i disse tilfælde kan vi forudse risici og trygt gribe ind i hjernens udvikling. Sådanne indgreb kan omfatte medicin eller hjerne-stimuleringsteknikker til at fremskynde modningen, når det er nødvendigt, eller bremse det til normale niveauer, når det er unormalt hurtigt. — Alexander Pozdnyakov, MD, professor og leder af afdelingen for medicinsk biofysik, St. Petersborg State Pediatric Medical University. På MRI-scanninger skiller myelineret hvidt stof sig tydeligt ud fra områder, hvor myelinering er ufuldstændig. Hos patienter under 12 måneder er det imidlertid ofte svært at skelne hvidt stof fra grå stof. Dette er vigtigt, fordi grå stof danner hjernens cortex, hjernens hub for kognitive processer. Når radiologer analyserer MRI-scanninger under dette stadium af hjernens udvikling, står de over for to hovedudfordringer: Differentiating between white matter and gray matter. Determining the volume of gray matter and white matter. Gennem radiologers analyse kan klinikere studere, hvordan nerveceller bevæger sig gennem hvid materie mod cortex, hvilket skaber hjernens neurale veje. For spædbørn ordineres en MRI af den behandlende læge kun, når der er alvorlige kliniske indikationer. Disse kan omfatte fødselsrelateret nervesystemskader, hjernetrauma, anfald eller mistænkt epilepsi. Fordi patienter under seks år kræver generel anæstesi for at forblive stille under proceduren, udføres MRI på små børn kun, når det er virkelig nødvendigt. Sådan foregår proceduren som regel: The medical team places the patient under general anesthesia, positions them in the MRI scanner, and captures the images. The procedure typically takes about 30 minutes but can last up to 40–50 minutes. These images are then processed. A specialist can calculate the volumes of white matter and gray matter using a three-axis formula. Clinical guidelines define the timeframe for this analysis, which can take up to 72 hours in complex cases. Hvis det er en opfølgende scanning, tager analysen endnu længere tid, fordi dataene skal evalueres i forhold til tidligere resultater fra forskellige tidspunkter. Hvordan AI kan hjælpe Eksisterende metoder til vurdering af hjernemyelinering hos børn under et år involverer ofte subjektive faktorer. Erfarne radiologer kan normalt bestemme fra billederne, om det hvide stofvolumen er tilstrækkeligt. Opgaven bliver meget mere udfordrende, når radiologer har brug for at sammenligne flere undersøgelser over tid. Selv en enkelt hjerne MRI involverer gennemgang af flere billeder (mindst 22 skiver). Computer vision kan hjælpe radiologer ved at flagge områder, hvor ændringer i konturer af hvid og grå stof er mest sandsynlige. Dette kunne også tjene som en uvurderlig træningshjælp til junior læger og beboere. Denne løsning giver flere fordele for tidlig alder scanning: Speed up the analysis process. Optimize follow-up schedules to ensure scans are performed only as often as needed, avoiding unnecessary anesthesia. Enhance radiologists’ capacity to examine more patients. Ved første øjekast kan det virke, som om vi simpelthen kunne genbruge tilgængelige open source-datasæt og forududdannede modeller til dette formål. Trods alt er lignende problemer allerede blevet løst ved hjælp af AI i maskinlæringskonkurrencer. For eksempel fokuserede 2019 MICCAI Grand Challenge på segmentering af MRI-billeder af spædbørns hjerner under seks måneder. Trods alt er lignende problemer allerede blevet løst ved hjælp af AI i maskinlæringskonkurrencer. udviklere fra hele verden forsøgte at løse udfordringen ved hjælp af iSeg-2019 datasæt. MICCAI’s store udfordring MICCAI’s store udfordring Den eksisterende datasæt manglede imidlertid de nødvendige annotationer – segmenteringsmaskerne, der identificerer, hvilke områder af et billede der svarer til grå eller hvid materie. iSeg-2019 datasettet indeholdt kun 15 annoterede billeder, mens universitetets seksårige arkiv indeholdt MRI-scanninger fra 1500 patienter uden annotationer overhovedet. Dette betød, at vores første skridt var at forberede dataene. Sådan omdannes MRI-scanninger til et datasæt til maskinindlæring Yandex Cloud-teamet kom med en cloud-baseret applikationsarkitektur, hjalp med at vælge de rigtige værktøjer og hjalp med at konfigurere og teste den endelige webtjeneste.Under ledelse af mentor Arseniy Zemerov håndterede studerende fra Yandex School of Data Analysis de centrale ML-opgaver: valg af neural netværksarkitektur, kørsel af eksperimenter og træning af modellen på de annoterede data. Her er et højt niveau overblik over data rørledningen. Lad os se på den første fase. MRI-scanninger gemmes i et billedarkiverings- og kommunikationssystem (PACS) designet til at styre medicinske billeder i DICOM-format. Dette system arkiverer og behandler anonymiserede scanninger, som udgør kernen i modelens træningsdatasæt. For at implementere dette system oprettede vi en virtuel maskine i Yandex Compute Cloud. Vi uploadede anonymiserede MRI-studier af børn under 12 måneder fra universitetets arkiv sammen med iSeg-2019 data. Loading the raw data Hver undersøgelse er en samling af MRI-billeder optaget i forskellige tilstande: T1, T2, FLAIR og DWI. Disse tilstande fremhæver forskellige vævsegenskaber, der hjælper klinikere med bedre at skelne mellem forskellige tilstande (for detaljer, se For at opfylde disse krav gemmer dette system yderligere metadata og behandler flere MRI-skiver som en enkelt, enhedsundersøgelse. Denne artikel Denne artikel For patienter over et år gamle kan radiologiske hjernebilleder annoteres ved hjælp af automatiserede værktøjer som open-source 3D Slicer, som beregner hvid og grå materiale volumen. Men disse metoder er ikke effektive for yngre patienter. På MRI-scanninger af nyfødte, selv erfarne radiologer kan finde det svært at skelne hvid fra grå materiale, hvilket gør annotering en detaljeret pixel-for-pixel opgave. Annotating the collected data Oprindeligt planlagde vi, at ekspertradiologer skulle annotere de rå data fra bunden, men processen viste sig at være alt for tidskrævende: En enkelt undersøgelse med blot nogle få skiver kunne tage otte timer eller mere. For at fremskynde processen foreslog vores ML-specialister at udføre præ-annotation ved hjælp af en open-source model kaldet Baby Intensity-Based Segmentation Network ( Netværket er baseret på nnU-Net-rammen og er designet til at identificere hvid og grå stof. Biblen Biblen Efter at have gennemgået præ-annotationsresultaterne, fandt vi, at der stadig var masser af plads til at forbedre mange af metrikkene. Indledningstiden for et enkelt bind var omkring 2,5 minutter. The BIBSNet Docker container was adapted for parallel execution. The container was deployed on 20 virtual machines, each processing data independently. Ifølge vores ekspertradiologer var forannotationer nyttige i 40% af tilfældene, og det alene hjalp til at reducere den manuelle arbejdsbelastning.Vores ML-specialister benchmarkede også BIBSNets præstationer i segmentering af grå (GM) og hvid (WM) på T1-vægtede (sagittal) og T2-vægtede (axial) MRI-scanninger. Som et resultat hjalp pre-annotation os med at opbygge et annoteret datasæt på omkring 750 skiver. Dette var tilstrækkeligt til at træne og evaluere maskinlæringsmodeller til segmentering og detektion. Inden for vores model træning eksperimenter I første omgang planlagde vi at prøve en mere avanceret arkitektur, Vision Transformeren. Vi indså dog hurtigt, at denne arkitektur var velegnet til sundhedsmæssige formål. Så vi valgte en segmenter bygget af to typer af neurale netværk: Konvolutionelle neurale netværk fungerer som feature extractors (backbones), der tilpasser sig godt til opgaver ud over klassificering (såsom segmentering). Arkitekturer udtrykkeligt udviklet til medicinsk billeddannelse, med U-Net som det primære valg. Yandex School of Data Analysis-teamet havde til formål at udvikle en segmenteringsmodel, der kunne være lige så nøjagtig som BIBSNet, men levere en meget hurtigere inference tid. For de neurale netværksarkitekturer undersøgte de U-Net, U-Net++ og DeepLabV3. For funktion udvinding rygsøjler, testede de ResNet-50, ResNet-101, ResNeXt-50, ResNeXt-101, og DenseNet-161. Under eksperimenterne forsøgte holdet flere tilgange: Training purely on target slices (2D): We trained a 2D segmentation model exclusively on manually annotated slices (the initial 30 studies). However, the small amount of training data limited the model's capacity to generalize. Training on combined iSeg-2019 and target data (3D): The model was trained on a combined dataset that included the fully annotated iSeg-2019 data and our target data. For slices in the target studies without annotations, we applied a mask that zeroed out their contribution to the loss function. This ensured that only annotated slices from the target data were used, preventing errors during training. Hvad vi opdagede Her er hvad vores eksperimenter med forskellige funktioner udvinding rygsøjler viste: Eksperimenter med netværksarkitekturen: Det bedste eksperiment var at træne en U-Net med en ResNeXt50 rygsøjle ved hjælp af DiceLoss-funktionen. Her er hvordan modellen fungerer på valideringssættet.Original undersøgelse fra valideringssættet: Eksempel på output fra algoritmen De endelige metrikker: iou void iou GM iou WM iou mean unet_resnext50_32x4d_dice_1 0.981 0.629 0.501 0.703 unet_resnext50_32x4d_dice_1 0.981 0.629 0.501 0.703 Indledningshastigheden for det uddannede neurale netværk, der kører på en CPU, er ca. 3 sekunder. Hvordan det fungerer i øjeblikket Vores løsning → , blev designet som en webtjeneste for radiologer, der udfører MR-scanninger på spædbørn. De kan uploade de erhvervede filer til tjenesten umiddelbart efter proceduren. Systemet anonymiserer de uploadede data og fjerner alle personligt identificerbare oplysninger, såsom patientens navn, fra optegnelserne. Tilgængelig på Github Løsningen identificerer automatisk områder af grå og hvid materie på hver MRI-skive, hvilket giver forudsigelser med tillidsresultater. Tjenesten er primært morfometrisk, hvilket betyder, at den måler vævsmængder.Når behandlingen er færdig, kan brugerne se modellens forudsigelige mængder af grå stof, hvidt stof og cerebrospinalvæske sammen med beskrivelser af de største strukturer. Fra sammenfatningstabellen kan du vælge en specifik undersøgelse for at se scanningen med de anvendte masker af hvidt stof og grå stof. Vores eksperimenter viser en nøjagtighed på over 90%.Vi forventer, at dette tal forbedres, når vi udvider datasættet og fortsætter med at finjustere modellen, som oprindeligt blev trænet på begrænsede data. Når vi ser fremad, går projektets køreplan ud over grundlæggende segmentering. Vores næste skridt er at beregne GM-to-WM-forholdet, som kan give klinikere dybere indsigt. Det neurale netværk er blevet testet på St. Petersburg State Pediatric Medical University, og forskerne er klar til at dele deres resultater med andre medicinske institutioner. Når testen er afsluttet, planlægger vi at frigive løsningen som open source til brug i medicinske institutioner og forskningsprojekter over hele verden. Løsningen har også betydeligt videnskabeligt potentiale. Fordi spædbørns hjernemængder ikke tidligere blev målt i skala, har ingen grundlæggende undersøgelser endnu undersøgt ændringer i hjernemængde på tværs af store kohorter.
