MRI mozgu zohrávajú dôležitú úlohu pri diagnostike závažných zdravotných stavov u dojčiat, od nádorov po neurodegeneratívne ochorenia. Detekcia abnormálneho vývoja mozgu počas detstva môže viesť včasné intervencie, ktoré môžu zabrániť alebo znížiť vplyv stavov, ako je mozgová obrna. Avšak, skenovanie takýchto mladých pacientov nesie riziká, pretože postup vyžaduje všeobecnú anestéziu. Výskumníci z Petrohradskej štátnej pediatrickej lekárskej univerzity spolupracovali s Yandex School of Data Analysis (SDA) a Yandex Cloud Center for Technologies and Society na vývoji riešenia AI na posúdenie vývoja mozgu dojčiat z MRI skenov. Volám sa Yulia Busygina a som projektovým vedúcim v Yandex Cloud. Spolu s profesorom Alexanderom Pozdnyakovom vás vezmem za scény – a podelím sa o to, ako sme navrhli riešenie AI, školili model a otestovali ho, aby sme zistili, ako funguje v reálnych scenároch. . GitHub Prečo sú MRI vyšetrenia dôležité pre deti Mozog bábätka sa vyvíja neuveriteľným tempom, mení sa takmer týždeň po týždni počas prvého roka života.Ale nie je to len o tom, že sa zväčšuje - mozog prechádza aj kritickými procesmi, ktoré sú spoločne známe ako vývoj mozgu. Myelinácia je tvorba lipidovo-bohatého plášťa okolo nervových vlákien, ktoré zvyšuje obsah lipidov a znižuje vodu. Tento proces začína v piatom mesiaci vývoja plodu a pokračuje v plnom tempe až do približne veku dvoch rokov. Zdravá myelinácia umožňuje rýchlu a spoľahlivú komunikáciu medzi neurónmi v neskorších rokoch. Ak sa mozog vyvíja pomalšie, než sa očakávalo, môže to viesť k oneskoreniam vo vývoji. Ľudský mozog je komplexný systém, ktorý si vyžaduje starostlivú pozornosť od prvých dní života. Poruchy sa môžu vyskytnúť, ak je rast mozgu buď príliš pomalý alebo príliš rýchly.Okrem toho zložitosť presahuje rýchlosť rastu. V niektorých podmienkach zostáva objem mozgu nezmenený, zatiaľ čo hustota tkaniva sa mení. Či už je myelinácia abnormálne pomalá alebo príliš rýchla (hypermyelinácia), môže vytvoriť podmienky, ktoré vedú k neurologickým poruchám. — Alexander Pozdnyakov, MD, profesor a vedúci oddelenia lekárskej biofyziky, Petrohradská štátna pediatrická lekárska univerzita. je tvorba lipidovo-bohatého plášťa okolo nervových vlákien, ktoré zvyšuje obsah lipidov a znižuje vodu. Tento proces začína v piatom mesiaci vývoja plodu a pokračuje v plnom tempe až do približne veku dvoch rokov. Myelination Zdravá myelinácia umožňuje rýchlu a spoľahlivú komunikáciu medzi neurónmi v neskorších rokoch. Ak sa mozog vyvíja pomalšie, než sa očakávalo, môže to viesť k vývojovým oneskoreniam. Ľudský mozog je komplexný systém, ktorý si vyžaduje starostlivú pozornosť od prvých dní života. Poruchy sa môžu vyskytnúť, ak je rast mozgu príliš pomalý alebo príliš rýchly. Okrem toho zložitosť presahuje rýchlosť rastu.V niektorých podmienkach zostáva objem mozgu nezmenený, zatiaľ čo hustota tkaniva sa mení.Či už myelinácia je abnormálne pomalá alebo nadmerne rýchla (hypermyelinácia), môže vytvoriť podmienky, ktoré vedú k neurologickým poruchám. — Alexander Pozdnyakov, MD, profesor a vedúci oddelenia lekárskej biofyziky, Petrohradská štátna pediatrická lekárska univerzita. Deti s abnormálne pomalou myelináciou majú vyššie riziko vzniku mozgovej obrny. Cerebrálna obrna je jednou z hlavných príčin detskej invalidity, ktorá postihuje 2-3 z každých 1000 novorodencov. Monitorovanie mozgovej zrelosti v prvých šiestich mesiacoch života môže byť rozhodujúce pre včasnú intervenciu. Pre pacientov s rizikom, rýchle konanie s správnymi terapiami a rehabilitáciou môže zabrániť poškodeniu a zastaviť smrť buniek. Niektorí pacienti majú stavy, ktoré sú zle pochopené a ťažko klasifikovateľné, ale aj v týchto prípadoch môžeme predvídať riziká a bezpečne zasahovať do vývoja mozgu. Takéto zásahy môžu zahŕňať lieky alebo techniky stimulácie mozgu na urýchlenie dozrievania, keď je to potrebné, alebo ho spomaliť na normálnu úroveň, keď je abnormálne rýchly. — Alexander Pozdnyakov, MD, profesor a vedúci oddelenia lekárskej biofyziky, Petrohradská štátna pediatrická lekárska univerzita. Niektorí pacienti majú stavy, ktoré sú zle pochopené a ťažko klasifikovateľné, ale aj v týchto prípadoch môžeme predvídať riziká a bezpečne zasahovať do vývoja mozgu. Takéto zásahy môžu zahŕňať lieky alebo techniky stimulácie mozgu na urýchlenie dozrievania, keď je to potrebné, alebo ho spomaliť na normálnu úroveň, keď je abnormálne rýchly. — Alexander Pozdnyakov, MD, profesor a vedúci oddelenia lekárskej biofyziky, Petrohradská štátna pediatrická lekárska univerzita. Na MRI skenovanie, myelínované biela hmota jasne vyniká z oblastí, kde myelínácia je neúplná. U pacientov mladších ako 12 mesiacov, však, rozlíšenie bielej hmoty od šedej hmoty je často ťažké. Keď rádiológovia analyzujú MRI skenovanie počas tejto fázy vývoja mozgu, čelia dvom hlavným výzvam: Differentiating between white matter and gray matter. Determining the volume of gray matter and white matter. Prostredníctvom analýzy rádiológov môžu lekári študovať, ako sa nervové bunky pohybujú cez bielu hmotu smerom k kôre, čím vytvárajú nervové cesty mozgu.Pozorovanie týchto zmien v priebehu času odhaľuje, či sa kôra riedi alebo zahusťuje a či je biela hmota plne vyvinutá. Pre dojčatá, MRI je nariadený ošetrujúcim lekárom len vtedy, keď existujú závažné klinické indikácie. Tieto môžu zahŕňať poranenie nervového systému súvisiaceho s narodením, trauma mozgu, záchvaty, alebo podozrenie na epilepsie. Pretože pacienti mladší ako šesť rokov vyžadujú všeobecnú anestéziu, aby zostali počas postupu, MRI sú vykonávané na malých deťoch len vtedy, keď je to naozaj potrebné. Takto postup zvyčajne prebieha: 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. Ak ide o následné skenovanie, analýza trvá ešte dlhšie, pretože údaje musia byť vyhodnotené proti predchádzajúcim výsledkom z rôznych časových bodov. Ako môže AI pomôcť Existujúce metódy na posúdenie mozgovej myelinácie u detí mladších ako jeden rok často zahŕňajú subjektívne faktory. Skúsení rádiológovia môžu zvyčajne určiť z obrázkov, či je objem bielej hmoty dostatočný. Úloha sa stáva oveľa náročnejšou, keď radiológovia potrebujú porovnávať niekoľko štúdií v priebehu času. Dokonca aj jediná MRI mozgu zahŕňa preskúmanie viacerých obrazov (aspoň 22 plátkov). Počítačové videnie môže radiológom pomôcť tým, že označí oblasti, kde sú najpravdepodobnejšie zmeny v obrysoch bielej hmoty a šedej hmoty.Toto by mohlo tiež slúžiť ako neoceniteľná výcviková pomoc pre mladších lekárov a obyvateľov.Toto riešenie poskytuje niekoľko výhod pre skoré vyšetrenie: 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. Na prvý pohľad sa môže zdať, že na tento účel môžeme jednoducho opätovne použiť dostupné dátové súbory s otvoreným zdrojovým kódom a predtrénované modely. Koniec koncov, podobné problémy sa už riešili pomocou umelej inteligencie v súťažiach strojového učenia. Napríklad 2019 MICCAI Grand Challenge sa zameriavala na segmentovanie MRI obrazov mozgov detí mladších ako šesť mesiacov. Koniec koncov, podobné problémy sa už riešili pomocou AI v súťažiach strojového učenia. Vývojári z celého sveta sa pokúsili vyriešiť túto výzvu pomocou databázy iSeg-2019. MICCAI Grand Challenge Veľká výzva MICCAI Existujúca databáza však chýbala potrebnými poznámkami – segmentačnými maskami, ktoré identifikujú, ktoré oblasti obrazu zodpovedajú šedej alebo bielej hmoty. databáza iSeg-2019 obsahovala iba 15 poznámok, zatiaľ čo šesťročný archív univerzity obsahoval MRI skenovanie od 1500 pacientov bez poznámok vôbec. Prvým krokom bolo pripraviť údaje. Ako premeniť MRI skenovanie na dátovú sadu pre strojové učenie Tím Yandex Cloud prišiel s architektúrou aplikácií založenou na cloude, pomohol vybrať správne nástroje a pomohol s konfiguráciou a testovaním konečnej webovej služby.Pod vedením mentora Arsenya Zemerova sa študenti z Yandex School of Data Analysis zaoberali základnými úlohami ML: výberom architektúry neurálnej siete, spustením experimentov a výcvikom modelu na anotovaných údajoch. Tu je prehľad dátového potrubia na vysokej úrovni. Pozrime sa na prvú fázu. MRI skenovanie je uložené v systéme archivácie obrázkov a komunikácie (PACS), ktorý je určený na správu lekárskych obrazov vo formáte DICOM. Tento systém archivuje a spracováva anonymizované skenovanie, ktoré tvoria jadro školiaceho dátového súboru modelu. Na nasadenie tohto systému sme nainštalovali virtuálny stroj v cloude Yandex Compute Cloud. Z archívu univerzity sme nahrali anonymizované štúdie MRI detí mladších ako 12 mesiacov spolu s údajmi iSeg-2019. Loading the raw data Každá štúdia je zbierkou MRI snímok zachytených v rôznych režimoch: T1, T2, FLAIR a DWI. Tieto režimy zdôrazňujú rôzne charakteristiky tkanív, ktoré pomáhajú lekárom lepšie rozlišovať medzi rôznymi stavmi (pre podrobnosti, pozri Na splnenie týchto požiadaviek tento systém ukladá ďalšie metadáta a zaobchádza s viacerými rezmi MRI ako s jedinou jednotnou štúdiou.Toto zabezpečuje, že na serveri nie sú uložené žiadne osobné údaje, pretože pracujeme iba s anonymizovanou databázou. Tento článok Tento článok Pre pacientov starších ako jeden rok môžu byť rádiologické obrazy mozgu anotované pomocou automatizovaných nástrojov, ako je open-source 3D Slicer, ktorý vypočíta objem bielej hmoty a šedej hmoty. Avšak tieto metódy nie sú účinné pre mladších pacientov. Na MRI snímkach novorodencov môžu byť dokonca aj skúsení rádiológovia ťažké rozlíšiť bielu hmotu od šedej hmoty, čo robí anotáciu podrobnou, pixel-by-pixel úlohou. Annotating the collected data Pôvodne sme plánovali, že odborníci na rádiológiu budú zaznamenávať surové údaje od začiatku, ale proces sa ukázal ako príliš časovo náročný: jedna štúdia s niekoľkými plátkami by mohla trvať osem hodín alebo viac. Ak chcete urýchliť proces, naši odborníci na ML navrhli vykonať predbežnú anotáciu pomocou modelu s otvoreným zdrojovým kódom s názvom Baby Intensity-Based Segmentation Network ( Sieť je založená na rámci nnU-Net a je určená na identifikáciu bielej a sivej hmoty. Biblický Biblický Po preskúmaní výsledkov pre-anotácie sme zistili, že stále existuje dostatok priestoru na zlepšenie mnohých metrík. Čas odvodenia pre jeden zväzok bol asi 2,5 minúty. The BIBSNet Docker container was adapted for parallel execution. The container was deployed on 20 virtual machines, each processing data independently. Podľa našich expertov radiológov boli pre-anotácie užitočné v 40% prípadov, a to samo o sebe pomohlo znížiť manuálnu pracovnú záťaž.Naši špecialisti ML tiež porovnávali výkonnosť BIBSNet v segmentovaní sivej hmoty (GM) a bielej hmoty (WM) na T1-vážených (sagitálnych) a T2-vážených (axiálnych) MRI snímkach. Výsledkom bolo, že predbežná anotácia nám pomohla vybudovať anotovanú databázu asi 750 plátkov. To stačilo na školenie a vyhodnotenie modelov strojového učenia na segmentáciu a detekciu. Pred spustením experimentov sme databázu rozdelili na školenia a validácie, pričom sme používali tieto modely na kontrolu našich metrík. Vnútri našich modelových tréningových experimentov Spočiatku sme plánovali vyskúšať pokročilejšiu architektúru, Vision Transformer. Avšak čoskoro sme si uvedomili, že táto architektúra je vhodná na účely zdravotnej starostlivosti. Takže sme si vybrali segmentátor postavený z dvoch typov neurónových sietí: Konvolučné nervové siete slúžia ako extraktory funkcií (zadné kosti), ktoré sa dobre prispôsobujú úlohám mimo klasifikácie (ako je segmentácia). Architektúry výslovne vyvinuté pre lekárske zobrazovanie, s U-Net ako primárnou voľbou. Tím Yandex School of Data Analysis si kládol za cieľ vyvinúť segmentovací model, ktorý by mohol byť rovnako presný ako BIBSNet, ale poskytnúť oveľa rýchlejší čas záveru. Na dosiahnutie tohto cieľa študenti uskutočnili sériu experimentov na databáze iSeg-2019. Pre architektúry neurálnych sietí skúmali U-Net, U-Net++ a DeepLabV3. Pre chrbtice extrakcie funkcií testovali ResNet-50, ResNet-101, ResNeXt-50, ResNeXt-101 a DenseNet-161. Počas experimentov sa tím pokúsil o niekoľko prístupov: 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. Čo sme objavili Tu je to, čo ukázali naše experimenty s rôznymi extrakčnými chrbticami: Experimenty s sieťovou architektúrou: Najvýkonnejším experimentom bol tréning U-Net s chrbticou ResNeXt50 pomocou funkcie DiceLoss. Tu je to, ako model funguje na validácii.Pôvodná štúdia z validácie: Príklad výstupu z algoritmu Konečné metriky : 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 Záverová rýchlosť vyškolených neurónových sietí bežiacich na CPU je približne 3 sekundy. Ako v súčasnosti funguje Naše riešenie , , bol navrhnutý ako webová služba pre rádiológov vykonávajúcich MRI skenovanie detí. Môžu nahrať získané súbory do služby hneď po postupe. Systém anonymizuje nahrané údaje, čím z záznamov odstráni všetky osobne identifikovateľné informácie, ako napríklad meno pacienta. K dispozícii na GitHub Riešenie automaticky identifikuje oblasti sivej hmoty a bielej hmoty na každom rezaní MRI, čím poskytuje predpovede s dôveryhodnými skóre. Služba je predovšetkým morfometrická, čo znamená, že meria objem tkaniva.Akonáhle je spracovanie dokončené, používatelia vidia predpovedané objemy modela šedej hmoty, bielej hmoty a cerebrospinálnej tekutiny spolu s popismi najväčších štruktúr. Z súhrnnej tabuľky môžete vybrať konkrétnu štúdiu na zobrazenie skenovania s použitými maskami bielej a sivej hmoty. Naše experimenty ukazujú presnosť viac ako 90%. očakávame, že tento údaj sa zlepší, keď rozširujeme databázu a pokračujeme v jemnom nastavení modelu, ktorý bol pôvodne vyškolený na obmedzených údajoch. Pri pohľade do budúcnosti projektový plán presahuje základnú segmentáciu.Náš ďalší krok je vypočítať pomer GM k WM, ktorý môže poskytnúť klinickým lekárom hlbšie poznatky. Neurálna sieť bola testovaná na Petrohradskej štátnej pediatrickej lekárskej univerzite a výskumníci sú pripravení podeliť sa o svoje zistenia s inými lekárskymi inštitúciami. Po dokončení testovania plánujeme uvoľniť riešenie ako otvorený zdroj pre použitie v lekárskych inštitúciách a výskumných projektoch po celom svete. Riešenie má tiež významný vedecký potenciál. Keďže objem mozgu dojčiat nebol predtým meraný v mierke, žiadne základné štúdie doteraz skúmali zmeny objemu mozgu vo veľkých kohortách. Pre rôzne stavy a patológie môže tento výskum pomôcť zdokonaliť štandardy lekárskej starostlivosti.
