Мозочниот МРИ игра витална улога во дијагностицирањето на сериозни здравствени состојби кај бебињата, од тумори до невродегенеративни болести. Откривањето на абнормалниот развој на мозокот за време на детството може да води рани интервенции кои може да го спречат или намалат влијанието на состојбите како церебрална парализа. Сепак, скенирањето на таквите млади пациенти носи ризици, бидејќи процедурата бара општа анестезија. Истражувачите од Државниот педијатриски медицински универзитет во Санкт Петербург соработуваат со Школата за анализа на податоци на Јандек (SDA) и Центарот за технологија и општество во облак на Јандек (Yandex Cloud Center for Technologies and Society) за да развијат решение за оценување на развојот на детскиот мозок од МРИ скенирање. Моето име е Јулија Бусигина, и јас сум раководител на проектот во Yandex Cloud. Заедно со професорот Александар Позњаков, ќе ве однесам зад сцената – и ќе споделам како го дизајниравме решението за АИ, го обучивме моделот и го тестиравме за да видиме како функционира во реалниот свет. . Гитјуб Зошто МРИ скените се критични за бебињата Мозокот на бебето се развива со неверојатна брзина, менувајќи се речиси недела по недела во текот на првата година од животот, но не станува збор само за зголемување на големината – мозокот исто така поминува низ критични процеси познати колективно како развој на мозокот. Миелинизацијата е формирање на липидно богата обвивка околу нервните влакна, која ја зголемува содржината на липиди и ја намалува водата.Овој процес започнува во петтиот месец од феталниот развој и продолжува со полно темпо до околу две години.Во централниот нервен систем, миелинот се наоѓа главно во белата материја, каде што делува како електричен изолатор. Здравата миелинизација овозможува брза, сигурна комуникација меѓу невроните во подоцнежните години. Ако мозокот се развива побавно од очекуваното, тоа може да доведе до одложувања во развојот. Човечкиот мозок е сложен систем кој бара внимателно внимание од првите денови од животот. Пореметувања може да се појават ако растот на мозокот е премногу бавен или пребрз.Покрај тоа, сложеноста оди подалеку од стапката на раст. Во некои услови, волуменот на мозокот останува непроменет додека густината на ткивото се менува. Без разлика дали миелинирањето е абнормално бавно или премногу брзо (хипермиелинирање), може да создаде услови кои доведуваат до невролошки нарушувања. - Александар Позњаков, доктор, професор и шеф на Одделот за медицинска биофизика, Санкт Петербург Државниот педијатриски медицински универзитет. Овој процес започнува во петтиот месец од феталниот развој и продолжува со полно темпо до околу двегодишна возраст.Во централниот нервен систем, миелинот се наоѓа главно во белата материја, каде што делува како електричен изолатор. Myelination Здравата миелинација овозможува брза, сигурна комуникација меѓу невроните во подоцнежните години.Ако мозокот се развива побавно од очекуваното, тоа може да доведе до одложувања во развојот.Човечкиот мозок е сложен систем кој бара внимателно внимание од првите денови од животот. Покрај тоа, комплексноста надминува стапката на раст. Во некои услови, волуменот на мозокот останува непроменет додека густината на ткивото се менува. Без разлика дали миелинацијата е абнормално бавна или прекумерно брза (хипермиелинација), може да создаде состојби кои доведуваат до невролошки нарушувања. - Александар Позњаков, доктор, професор и шеф на Одделот за медицинска биофизика, Санкт Петербург Државниот педијатриски медицински универзитет. Бебињата со абнормално бавна миелинизација имаат поголем ризик од развој на церебрална парализа. Церебралната парализа е една од водечките причини за детска инвалидност која влијае на 2-3 на секои 1.000 новороденчиња. Мониторирањето на мозочното созревање во првите шест месеци од животот може да биде од клучно значење за навремена интервенција. За пациентите со ризик, брзо дејствување со соодветни терапии и рехабилитација може да спречи оштетување и да спречи смрт на клетките. Некои пациенти се со состојби кои се слабо разбрани и тешко да се класифицираат, но дури и во овие случаи, можеме да ги предвидиме ризиците и безбедно да интервенираме во развојот на мозокот. Таквите интервенции може да вклучуваат лекови или техники за стимулација на мозокот за да се забрза созревањето кога е потребно, или да се забави до нормални нивоа кога е абнормално брзо. - Александар Позњаков, доктор, професор и шеф на Одделот за медицинска биофизика, Санкт Петербург Државниот педијатриски медицински универзитет. Некои пациенти се со состојби кои се слабо разбрани и тешко да се класифицираат, но дури и во овие случаи, можеме да ги предвидиме ризиците и безбедно да интервенираме во развојот на мозокот. Таквите интервенции може да вклучуваат лекови или техники за стимулација на мозокот за да се забрза созревањето кога е потребно, или да се забави до нормални нивоа кога е абнормално брзо. - Александар Позњаков, доктор, професор и шеф на Одделот за медицинска биофизика, Санкт Петербург Државниот педијатриски медицински универзитет. На МРИ скените, миелинизираната бела материја јасно се издвојува од областите каде миелинизацијата е нецелосна. кај пациентите под 12 месеци, сепак, разликувањето на белата материја од сивата материја е често тешко. Ова е важно затоа што сивата материја го формира мозочниот кортекс, мозочниот центар за когнитивни процеси. Кога радиолозите ги анализираат МРИ скените за време на оваа фаза на развој на мозокот, тие се соочуваат со два главни предизвици: Differentiating between white matter and gray matter. Determining the volume of gray matter and white matter. Преку анализа на радиолозите, клиничарите можат да проучат како нервните клетки се движат низ белата материја кон кортексот, создавајќи ги нервните патишта на мозокот. За доенчињата, МРИ се наредува од страна на лекарот само кога постојат сериозни клинички индикации. Овие може да вклучуваат повреда на нервниот систем поврзан со раѓањето, траума на мозокот, напади или сомневање за епилепсија. Бидејќи пациентите под шестгодишна возраст бараат општа анестезија за да останат неподвижни за време на постапката, МРИ се изведуваат на мали деца само кога е навистина потребно. Еве како обично се одвива процедурата: 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. Ако станува збор за натамошно скенирање, анализата трае уште подолго, бидејќи податоците мора да се оценуваат во однос на претходните резултати од различни временски точки. Како AI може да помогне Постоечките методи за проценка на мозочната миелинација кај деца под една година често вклучуваат субјективни фактори. Искусни радиолози обично можат да утврдат од сликите дали волуменот на белата материја е доволен. Задачата станува многу потешко кога радиолозите треба да се споредат неколку студии со текот на времето. Дури и еден мозочен МРИ вклучува преглед на повеќе слики (најмалку 22 парчиња). Компјутерското видување може да им помогне на радиолозите со означување на областите каде што промените во контурите на белата материја и сивата материја се најверојатно. Ова исто така може да послужи како непроценлива помош за обука за младите лекари и жителите. 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. На прв поглед, може да изгледа дека можеме едноставно да ги користиме достапните збирки на податоци со отворен код и претходно обучени модели за оваа намена. На крајот на краиштата, слични проблеми веќе се решаваат со користење на АИ во натпреварувањата за машинско учење. На пример, 2019 MICCAI Grand Challenge се фокусираше на сегментирање на МРИ слики на мозоци на бебиња под шест месеци. На крајот на краиштата, слични проблеми веќе се решаваат со користење на АИ во натпреварувањата за машинско учење. На пример, 2019 MICCAI Grand Challenge се фокусираше на сегментирање на МРИ слики на мозоци на бебиња под шест месеци. Големиот предизвик на MICCAI Сепак, постојниот сет на податоци ги немаше потребните анотации – сегментациските маски кои ги идентификуваат областите на сликата кои одговараат на сивата или белата материја. iSeg-2019 сетот на податоци вклучуваше само 15 анотирани слики, додека шестгодишниот архив на универзитетот содржи МРИ скени од 1500 пациенти без никакви анотации. Ова значи дека нашиот прв чекор беше да ги подготвиме податоците. Како да се претворат МРИ скенирање во сет на податоци за машинско учење Тимот на Yandex Cloud дојде со архитектура на апликации базирани на облак, помогна во изборот на вистинските алатки и помогна во конфигурирањето и тестирањето на конечната веб услуга. Водени од ментор Арсени Земеров, студентите од Факултетот за анализа на податоци на Yandex се справуваа со клучните задачи на ML: изборот на архитектурата на невронската мрежа, водење експерименти и обука на моделот на анотираните податоци. Еве преглед на високо ниво на цевката за податоци. Ајде да ја погледнеме првата фаза. MRI скените се складираат во систем за архивирање на слики и комуникација (PACS) дизајниран за управување со медицински слики во DICOM формат. Овој систем архивира и ги обработува анонимните скени, кои се јадрото на сетот на податоци за обука на моделот. За да го распоредиме овој систем, поставивме виртуелна машина во Yandex Compute Cloud. Loading the raw data Секоја студија е збирка на МРИ слики зафатени во различни режими: T1, T2, FLAIR и DWI. Овие режими ги истакнуваат различните карактеристики на ткивото, помагајќи им на клиничарите подобро да се разликуваат помеѓу различните состојби (за детали, видете За да се исполнат овие барања, овој систем складира дополнителни метаподатоци и третира повеќе МРИ парчиња како една единствена, унифицирана студија. Оваа статија Оваа статија За пациенти постари од една година, радиолошките слики на мозокот може да се анотираат со користење на автоматски алатки како што е 3D Slicer со отворен код, кој ги пресметува обемот на бела материја и сива материја. Сепак, овие методи не се ефикасни за помладите пациенти. На МРИ скенирањето на новороденчињата, дури и искусни радиолози може да најдат тешкотии во разликувањето на белата материја од сивата материја, правејќи анотација темелна, пиксел по пиксел задача. Annotating the collected data Првично, планиравме експертските радиолози да ги анотираат суровите податоци од нула, но процесот се покажа премногу долготраен: една студија со само неколку парчиња би можела да потрае осум часа или повеќе. За да се забрза процесот, нашите ML специјалисти предложија да се изврши пред-аннотација користејќи модел со отворен код наречен Baby Intensity-Based Segmentation Network ( Мрежата се базира на рамката nnU-Net и е дизајнирана да ги идентификува белите материи и сивите материи. Библијата Библијата По разгледувањето на резултатите од пред-аннотацијата, откривме дека сè уште има доволно простор за подобрување на многу од метриките. Времето за заклучување за еден том беше околу 2,5 минути. За да се забрза процесот, тимот ги прошири пресметките: The BIBSNet Docker container was adapted for parallel execution. The container was deployed on 20 virtual machines, each processing data independently. Ова го намалува времето за пред-аннотација за целиот сет на податоци, што овозможува да се процени перформансите на алгоритмот на него. Според нашите стручни радиолози, пред-аннотациите беа корисни во 40% од случаите, и само тоа помогна да се намали рачното оптоварување. Нашите ML специјалисти, исто така, го споредија перформансите на BIBSNet во сегментирањето на сивата материја (ГМ) и белата материја (WM) на T1-важените (сагитални) и T2-важените (аксијални) МРИ скени. Како резултат на тоа, пред-аннотацијата ни помогна да изградиме анотиран сет на податоци од околу 750 парчиња. Ова беше доволно за обука и евалуација на моделите за машинско учење за сегментација и откривање. Пред да ги извршиме експериментите, го поделивме сетот на податоци во сетови за обука и валидација, користејќи го последниот за да ги провериме нашите метрики. Во рамките на нашите модели за обука експерименти Првично, планиравме да пробаме понапредна архитектура, Vision Transformer. Меѓутоа, наскоро сфативме дека оваа архитектура е добро прилагодена за здравствени цели. Значи, избравме сегментатор изграден од два типа на невронски мрежи: Конволуционалните невронски мрежи служат како екстрактори на карактеристики (задни коски), прилагодувајќи се добро на задачи надвор од класификацијата (како што е сегментацијата). Архитектури експлицитно развиени за медицинска слика, со U-Net како главен избор. Тимот на Yandex School of Data Analysis имал за цел да развие сегментациски модел кој би можел да биде точен како BIBSNet, но да обезбеди многу побрзо време за заклучување. За да го постигнат ова, студентите спроведоа серија експерименти на iSeg-2019 сет на податоци. За архитектурите на невронските мрежи, тие ги испитаа U-Net, U-Net++ и DeepLabV3. За коските за екстракција на карактеристики, тие ги тестираа ResNet-50, ResNet-101, ResNeXt-50, ResNeXt-101, и DenseNet-161. За време на експериментите, тимот пробаше неколку пристапи: 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. Она што го откривме Еве што покажаа нашите експерименти со различни хрскавици за екстракција на карактеристики: Експерименти со мрежната архитектура: Најдобриот експеримент беше обука на U-Net со ResNeXt50 'рбетот со користење на функцијата DiceLoss. Еве како се изведува моделот на комплетот за валидација.Оригинална студија од комплетот за валидација: Пример за излез од алгоритам Завршни метрики: 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 Брзината на заклучување на обучената невронска мрежа која работи на процесорот е околу 3 секунди. Како функционира во моментов Нашето решение , беше дизајниран како веб-услуга за радиолози кои вршат МРИ скенирање на бебиња. Тие можат да ги пренесат стекнатите датотеки на службата веднаш по постапката. Системот ги анонимизира пренесените податоци, отстранувајќи ги сите лични информации, како што е името на пациентот, од записите. Достапно на GitHub Решението автоматски ги идентификува областите на сива материја и бела материја на секој МРИ парче, обезбедувајќи предвидувања со сигурносни резултати. Услугата е првенствено морфометриска, што значи дека ги мери волумените на ткивото.Откако обработката е завршена, корисниците ги гледаат предвидените волумени на моделите на сива материја, бела материја и цереброспинална течност, заедно со описи на најголемите структури. Од табелата за резиме, можете да изберете специфична студија за да го видите скенирањето со маските за бела материја и сива материја. Нашите експерименти покажуваат точност од над 90%.Очекуваме оваа бројка да се подобри како што го прошируваме сетот на податоци и продолжуваме да го фино прилагодуваме моделот, кој првично беше обучен на ограничени податоци. Гледајќи напред, патната карта на проектот оди подалеку од основната сегментација.Нашиот следен чекор е да се пресмета соодносот ГМ-на-WM, кој може да им даде на клиничарите подлабоко увид. Невронската мрежа е тестирана на Државниот педијатриски медицински универзитет во Санкт Петербург, а истражувачите се подготвени да ги споделат своите наоди со други медицински институции. Откако тестирањето ќе биде завршено, планираме да го пуштиме решението како отворен извор за употреба во медицински институции и истражувачки проекти ширум светот. Решението исто така има значителен научен потенцијал. Бидејќи обемот на мозокот на доенчињата претходно не бил измерен на скала, ниту една фундаментална студија сè уште не ги испитала промените во обемот на мозокот во големите кохорти.
