脳MRIは、腫瘍から神経退化性疾患まで、乳幼児の深刻な健康状態を診断する上で重要な役割を果たします。乳幼児期の間に異常な脳発達を検出することは、脳麻痺のような状態の影響を防ぐか減らす可能性のある早期介入を指導することができます。しかし、このような若い患者をスキャンすることはリスクを伴うため、手順は一般麻酔を必要とします。そのため、医師は診断を加速し、リスクを軽減し、迅速かつ明確な決定を下すツールを必要とします。 サンクトペテルブルク州立小児医学大学の研究者らは、Yandex School of Data Analysis(SDA)とYandex Cloud Center for Technologies and Societyと提携して、MRIスキャンから赤ちゃんの脳の発達を評価するためのAIソリューションを開発しました。 私の名前はYulia Busyginaで、私はYandex Cloudのプロジェクトリーダーです.教授Alexander Pozdnyakovと一緒に、あなたを舞台の後ろに連れて行って、AIソリューションをどのように設計し、モデルを訓練し、現実世界のシナリオでどのように機能するかを見るためにテストします。 . GitHub なぜMRIスキャンは子供にとって重要なのか 赤ちゃんの脳は信じられないほどのペースで発達し、人生の最初の1年間でほぼ週ごとに変化しますが、それは大きくなっているだけでなく、脳は脳の発達と呼ばれる重要なプロセスを通じています。 ミエリネーションは、神経繊維の周りに脂質豊富なシールの形成で、脂質を増加させ、水分を減らす。このプロセスは、胎児の発達の5カ月目に始まり、およそ2歳まで完全なペースで続きます。中央神経系では、ミエリンは主に白い物質で発見され、電気隔離剤として作用します。 健康なミエリネーションは、後年、ニューロン間の迅速かつ信頼性の高いコミュニケーションを可能にします。脳が予想以上に遅く発達する場合、それは発達遅れにつながる可能性があります。人間の脳は、人生の最初の日から慎重な注意を必要とする複雑なシステムです。障害は、脳の成長が遅すぎるか遅すぎる場合に発生することがあります。さらに、複雑さは成長率を超えています。いくつかの条件では、脳の容量はその組織密度が変化する間、変わらないままです。ミエリネーションが異常に遅いか、過度に速い場合(ヒーパーミエリネーション)、それは神経疾患を引き起こす条件を作り出すことができます。 — アレクサンダー・ポジニアコフ、医学博士、医学生物物理学部の教授および所長、サンクトペテルブルク州立小児医学大学。 ミエリネーションは、神経繊維の周りに脂質豊富なシールの形成で、脂質を増加させ、水分を減らす。このプロセスは、胎児の発達の5カ月目に始まり、およそ2歳まで完全なペースで続きます。中央神経系では、ミエリンは主に白い物質で発見され、電気隔離剤として作用します。 健康なミエリネーションは、後年、ニューロン間の迅速かつ信頼性の高いコミュニケーションを可能にします。脳が予想以上に遅く発達する場合、それは発達の遅れにつながる可能性があります。人間の脳は、人生の最初の日から慎重な注意を必要とする複雑なシステムです。 さらに、その複雑さは成長率を超えています。いくつかの条件では、脳の体積は組織密度が変化する間に変化しません。ミエリネーションが異常に遅いか、過度に速いかを問わず(ヒーパーミエリネーション)、神経疾患を引き起こす状態を作り出すことができます。 — アレクサンダー・ポジニアコフ、医学博士、医学生物物理学部の教授および所長、サンクトペテルブルク州立小児医学大学。 異常に遅いミエリネーションを有する乳児は、脳麻痺を発症するリスクが高くなります。脳麻痺は、1000人の新生児のうち2〜3人に影響を与える幼児期障害の主な原因の1つです。人生の最初の6ヶ月の間に脳成熟を監視することは、迅速な介入に不可欠です。リスクのある患者にとって、適切な治療とリハビリで迅速に行動することで、損傷を防ぎ、細胞の死を止めることができます。 いくつかの患者は、誤解され、分類しにくい状態を有していますが、これらのケースでさえ、リスクを予測し、脳の発達に安全に介入することができます。 そのような介入には、必要に応じて成熟を加速させるための薬物や脳刺激技術が含まれるか、異常に速いときに正常なレベルまで遅らせることがあります。 — アレクサンダー・ポジニアコフ、医学博士、医学生物物理学部の教授および所長、サンクトペテルブルク州立小児医学大学。 いくつかの患者は、誤解され、分類しにくい状態を有していますが、これらのケースでさえ、リスクを予測し、脳の発達に安全に介入することができます。 そのような介入には、必要に応じて成熟を加速させるための薬物や脳刺激技術が含まれるか、異常に速いときに正常なレベルまで遅らせることがあります。 — アレクサンダー・ポジニアコフ、医学博士、医学生物物理学部の教授および所長、サンクトペテルブルク州立小児医学大学。 MRIスキャンでは、ミエリネン化された白い物質はミエリネン化が不完全な領域から明らかに表れています。12ヶ月未満の患者では、白い物質と灰色の物質を区別することはしばしば困難です。これは、灰色の物質が認知プロセスの脳の中心である脳皮質を形成するため重要です。 放射線学者が脳発達のこの段階でMRIスキャンを分析するとき、彼らは2つの主要な課題に直面します。 Differentiating between white matter and gray matter. Determining the volume of gray matter and white matter. 放射線科医の分析を通じて、臨床医は、神経細胞が白色物質を通って皮質に向かってどのように移動するかを研究し、脳の神経経経路を作り出すことができます。 乳幼児の場合、MRIは診察医によって命じられるときにのみ、重大な臨床的兆候が存在する場合に限ります。これらは、出生に関連する神経系の損傷、脳外傷、発作、あるいは疑われる癫痫を含む可能性があります。6歳未満の患者は、手術中に静止するために一般麻酔を必要とするため、小児のMRIは、本当に必要である場合にのみ実施されます。 以下は、通常の手順です。 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. フォローアップスキャンの場合、データは異なる時点からの以前の結果に基づいて評価されなければならないため、分析にはさらに時間がかかります。 AIがどのように助けることができるか 1歳未満の子供における脳ミエリネーションの評価のための既存の方法は、主観的な要因を含みます。経験豊富な放射線学者は、通常、画像から、白い物質の量が十分かどうかを決定することができます。 この課題は、放射線学者が時間の経過とともにいくつかの研究を比較する必要があるときに、より困難になる。たとえ一つの脳MRIでも、複数の画像(少なくとも22シリーズ)をレビューする必要がある。 コンピュータビジョンは、白物質と灰色物質の外観の変化が最も可能性がある地域を標識することによって、放射線学者を助けることができます。これはまた、若い医師や住民のための貴重な訓練の助けとして役立つ可能性があります。このソリューションは、早期のスキャンにいくつかの利点を提供します: 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. 一見すると、この目的のために利用可能なオープンソースのデータセットやプレトレーニングされたモデルを単に再利用できるように見えるかもしれません。 たとえば、2019 MICCAI Grand Challengeは、6ヶ月未満の赤ちゃんの脳のMRI画像を分割することに焦点を当てた。 結局のところ、同様の問題はすでに機械学習コンテストでAIを使用して解決されている。 6ヶ月未満の赤ちゃんの脳のMRI画像を分割することに焦点を当てた。世界中の開発者は、iSeg-2019データセットを使用してこの課題を解決しようとした。 MICCAI グランドチャレンジ MICCAI グランドチャレンジ しかし、既存のデータセットには、画像のどの領域がグレー物質または白物質に匹敵するかを識別する分割マスクという必要な注釈が欠けていた。 iSeg-2019データセットには、注釈された画像が15個しか含まれていなかった一方で、大学の6年間のアーカイブには、注釈がなかった1500人の患者からのMRIスキャンが含まれていた。 そのため、最初のステップはデータの準備でした。 MRIスキャンを機械学習用のデータセットに変える方法 ヤンデックス・クラウドのチームは、クラウドベースのアプリケーションアーキテクチャを開発し、適切なツールを選択し、最終的なウェブサービスの構成とテストを手助けしました。マネージャーのArseniy Zemerovによって指導され、ヤンデックス・スクール・オブ・データ・アナリティクス(Yandex School of Data Analysis)の学生は、ニューラル・ネットワーク・アーキテクチャを選択し、実験を実行し、注釈されたデータに基づいてモデルを訓練しました。 以下は、データパイプラインの高レベルの概要です。 第一段階を見ていきましょう。 . MRIスキャンは、DICOM形式の医療画像を管理するために設計された画像アーカイブおよびコミュニケーションシステム(PACS)に保存されています. このシステムは、モデルのトレーニングデータセットのコアを形成する匿名スキャンをアーカイブおよび処理します. このシステムを展開するために、我々はヤンデックスコンピュータクラウドで仮想マシンを設定しました. 我々は、大学のアーカイブから12ヶ月未満の子供の匿名MRI研究をアップロードし、iSeg-2019データと一緒に。 Loading the raw data 各研究は、さまざまなモードで撮影されたMRI画像のコレクションです: T1, T2, FLAIR、およびDWI これらのモードは、異なる組織の特徴を強調し、臨床医がさまざまな条件の間をよりよく区別するのを助けます(詳細については、参照)。 ) これらの要件を満たすために、このシステムは追加のメタデータを格納し、複数のMRIシリーズを単一の統一研究として処理します。 この記事 この記事 . 1歳以上の患者では、白色物質と灰色物質の量を計算するオープンソースの3Dシレーザーのような自動ツールを使用して放射線脳画像を注釈することができる。しかし、これらの方法は若い患者には有効ではありません。新生児のMRIスキャンでは、経験豊富な放射線学者でさえ白色物質と灰色物質を区別することは困難であり、注釈は細心のピクセル対ピクセルタスクになります。 Annotating the collected data 当初、我々は専門の放射線学者が原料データをゼロから注釈することを計画しましたが、プロセスはあまりにも時間がかかりすぎたことが判明しました:わずか数段の単一の研究は8時間以上かかる可能性があります。 プロセスを加速させるために、私たちのML専門家は、赤ちゃんの強度ベースのセグメントネットワークと呼ばれるオープンソースモデルを使用して事前注釈を実行することを提案しました( このネットワークは nnU-Net フレームワークに基づいており、白物質と灰色物質を識別するように設計されています。 BIBSNet 図書館 事前注釈の結果をレビューした後、多くの指標を改善する余地がまだあることが判明しました. 単一ボリュームの推定時間は約 2.5 分でした. プロセスを加速するために、チームは計算を拡大しました: The BIBSNet Docker container was adapted for parallel execution. The container was deployed on 20 virtual machines, each processing data independently. これにより、アルゴリズムのパフォーマンスを評価することが可能となり、データセット全体の前記の時間を短縮しました。当社の専門の放射線学者によると、前記は40%のケースで有用であり、それだけで手動の作業負荷を減らすのに役立ちました。当社のMLの専門家はまた、T1重量(サギタル)およびT2重量(軸)MRIスキャンのGray Matter(GM)とWhite Matter(WM)の分割におけるBIBSNetのパフォーマンスを比較しました。 その結果、事前注釈は、約750シリーズの注釈データセットを構築するのに役立ちました。これは、分割と検出のための機械学習モデルを訓練し評価するのに十分でした。 私たちのモデルトレーニング実験の内部 当初、私たちは、より高度なアーキテクチャ、Vision Transformerを試すことを計画しましたが、このアーキテクチャは医療目的に適していることにすぐに気づきました。 したがって、私たちは2種類のニューラルネットワークから構築されたセグメントを選択しました。 Convolutional neural networks serves as feature extractors (backbones), adapting well to tasks beyond classification (such as segmentation) (分類以外のタスクに適応する) 医療イメージング用に明示的に開発されたアーキテクチャで、U-Netは主な選択肢です。 ヤンデックス・スクール・オブ・データ・アナリティーのチームは、BIBSNetと同じくらい正確なセグメントモデルを開発することを目指していましたが、より速い推論時間を提供しました。 これを実現するために、学生は iSeg-2019 データセットで一連の実験を実施しました. ニューラル ネットワークアーキテクチャについては、U-Net、U-Net++、DeepLabV3 を調べました。 実験中に、チームはいくつかのアプローチを試みました: 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. 発見したもの 以下は、さまざまな機能抽出のバックボードで私たちの実験が示したものです。 ネットワークアーキテクチャの実験: 最も効果的な実験は、DiceLoss 関数を使用して ResNeXt50 脊椎を用いた U-Net をトレーニングすることでした。 以下は、モデルが検証セットでどのように機能するかです.Original study from the validation set: アルゴリズムからの出力例 最終メトリック: 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 CPU上で動作するトレーニングされたニューラルネットワークの推定速度は約3秒です。 現時点でどのように機能するか 私たちの解決策は、 赤ちゃんのMRIスキャンを実施する放射線科医のためのウェブサービスとして設計され、手順の直後に取得したファイルをサービスにアップロードできます。 現在GitHubで利用可能 このソリューションは、MRI シリーズごとに灰色物質と白色物質の領域を自動的に識別し、信頼性の高い予測を提供します。 サービスは主にモルフォメトリックであり、組織の量を測定することを意味します。処理が完了すると、ユーザーは最大の構造物の記述とともに、モデルの予測された灰色物質、白色物質、脳脊髄液の量を見ることができます。 概要テーブルから、適用された白物質と灰物質マスクでスキャンを表示するための特定の研究を選択できます。 私たちの実験は90%を超える精度を示しています。この数字は、データセットを拡大し、最初は限られたデータで訓練されたモデルを改良し続けると予想されます。 今後見ていくと、プロジェクトのロードマップは基本的な分割を超えています。私たちの次のステップは、臨床医により深い洞察を提供できるGM対WM比を計算することです。 ニューラルネットワークは、サンクトペテルブルク州立小児医学大学でテストされ、研究者は他の医療機関とその発見を共有する準備ができています。 テストが完了すると、世界中の医療機関や研究プロジェクトで使用するためのソリューションをオープンソースとしてリリースする予定です。このソリューションはまた、重要な科学的潜在力を持っています。乳幼児の脳容量は以前、規模で測定されていなかったため、大きなコホルト間の脳容量の変化を調査した根本的な研究はまだありません。さまざまな条件や病理に関して、この研究は医療の基準を改善するのに役立ちます。
