МРИ мозга игра важну улогу у дијагностици озбиљних здравствених стања код дојенчади, од тумора до неуродегенеративних болести. Откривање абнормалног развоја мозга током детињства може водити ране интервенције које могу спречити или смањити утицај стања као што је церебрална парализа. Међутим, скенирање таквих младих пацијената носи ризике, јер поступак захтева општу анестезију. Зато лекари требају алате који убрзавају дијагнозу, смањују ризике и доносе правовремене, информисане одлуке. Истраживачи на Санкт Петербуршком државном педијатријском медицинском универзитету сарађивали су са Иандек Школом за анализу података (СДА) и Иандек Цлоуд Центром за технологије и друштво како би развили ИИ решење за процену развоја бебиног мозга из МРИ скенирања. Зовем се Јулија Бусигина, а ја сам вођа пројекта у Иандек Цлоуд. Заједно са професором Александром Позднијаковом, одвешћу вас иза сцене - и поделим како смо дизајнирали ИИ решење, обучили модел и тестирали га како бисмо видели како функционише у реалним сценаријама. . GitHub Зашто је МРИ скенирање критично за бебе Mozak deteta se razvija neverovatnom brzinom, menjajući se skoro nedelju dana u prvoj godini života, ali ne radi se samo o tome da postane veći – mozak takođe prolazi kroz kritične procese koji su zajednički poznati kao razvoj mozga. Миелинација је формирање богате липидним шкољком око нервних влакана, што повећава садржај липида и смањује воду.Овај процес почиње у петом месецу феталног развоја и наставља се пуним темпом до око две године.У централном нервном систему, миелин се налази углавном у белој материји, где делује као електрични изолатор. Здрава мијелинација омогућава брзу, поуздану комуникацију између неурона у каснијим годинама. Ако се мозак развија спорије него што се очекивало, то може довести до кашњења у развоју. Тхе људски мозак је сложен систем који захтева пажљиву пажњу од првих дана живота. Поремећаји могу настати ако је раст мозга превише споро или пребрзо.Поред тога, сложеност прелази стопу раста. У неким условима, волумен мозга остаје непромењен док се густина ткива мења. Било да је мијелинација абнормално спора или превише брза (хипермиелинација), може створити услове који доводе до неуролошких поремећаја. — Александар Поздниаков, МД, професор и шеф Одељења за медицинску биофизику, Санкт Петербуршки државни педијатријски медицински универзитет. То је формирање богате липидним шкољком око нервних влакана, што повећава садржај липида и смањује воду.Овај процес почиње у петом месецу феталног развоја и наставља се пуним темпом до око две године живота.У централном нервном систему, миелин се налази углавном у белој материји, где делује као електрични изолатор. Myelination Здрава мијелинација омогућава брзу, поуздану комуникацију између неурона у каснијим годинама.Ако се мозак развија спорије него што се очекивало, то може довести до кашњења у развоју.Тхе људски мозак је сложен систем који захтева пажљиву пажњу од првих дана живота. Штавише, сложеност прелази брзину раста.У неким условима, волумен мозга остаје непромењен док се густина ткива мења.Било да је миелинација абнормално спора или прекомерно брза (хипермиелинација), може створити услове који доводе до неуролошких поремећаја. — Александар Поздниаков, МД, професор и шеф Одељења за медицинску биофизику, Санкт Петербуршки државни педијатријски медицински универзитет. Бебе са абнормално спором мијелинацијом имају већи ризик од развоја церебралне парализе. Церебрална парализа је један од водећих узрока инвалидитета у детињству који погађа 2-3 од сваких 1.000 новорођенчади. Мониторинг зрелости мозга у првих шест месеци живота може бити од кључног значаја за правовремену интервенцију. За пацијенте у ризику, брзо дјеловање са правим терапијама и рехабилитацијом може спречити оштећење и зауставити смрт ћелија. Неки пацијенти имају стања која су слабо схваћена и тешко класификовати, али чак иу овим случајевима можемо предвидети ризике и безбедно интервенисати у развоју мозга. Такве интервенције могу укључивати лекове или технике стимулације мозга како би се убрзало сазревање када је потребно, или га успорити на нормалне нивое када је абнормално брзо. — Александар Поздниаков, МД, професор и шеф Одељења за медицинску биофизику, Санкт Петербуршки државни педијатријски медицински универзитет. Неки пацијенти имају стања која су слабо схваћена и тешко класификовати, али чак иу овим случајевима можемо предвидети ризике и безбедно интервенисати у развоју мозга. Такве интервенције могу укључивати лекове или технике стимулације мозга како би се убрзало сазревање када је потребно, или га успорити на нормалне нивое када је абнормално брзо. — Александар Поздниаков, МД, професор и шеф Одељења за медицинску биофизику, Санкт Петербуршки државни педијатријски медицински универзитет. На МРИ скенирањима, миелинована бела материја јасно се истиче из подручја у којима је мијелинација непотпуна. Код пацијената млађих од 12 месеци, међутим, често је тешко разликовати белу материју од сиве материје. Ово је важно јер сива материја формира церебрални кортекс, центар мозга за когнитивне процесе. Када радиолози анализирају МРИ скене током ове фазе развоја мозга, они се суочавају са два главна изазова: Differentiating between white matter and gray matter. Determining the volume of gray matter and white matter. Кроз анализу радиолога, клиничари могу проучавати како се нервне ћелије крећу кроз белу материју према кортексу, стварајући неуронске путеве мозга. За дојенчад, МРИ је наручен од стране лекара који присуствује само када постоје озбиљне клиничке индикације. Ово може укључивати повреду нервног система у вези са рођењем, трауму мозга, нападе или сумњу на епилепсију. Пошто пацијенти млађи од шест година захтевају општу анестезију да остану непокретни током поступка, МРИ се обављају на малој деци само када је заиста потребно. Ево како процедура обично иде: 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 је то накнадно скенирање, анализа траје још дуже јер се подаци морају проценити у односу на претходне резултате из различитих временских тачака. Kako AI može da pomogne Постојеће методе за процену мијелинације мозга код деце млађе од једне године често укључују субјективне факторе. Искусни радиолози обично могу одредити из слика да ли је волумен беле материје довољан.У једноставним случајевима, 30 минута до 2 сата прегледа директно на МРИ конзоли је довољно, а АИ није потребан. Задатак постаје много изазовнији када радиолози морају да упореде неколико студија током времена.Чак и један МРИ мозга укључује преглед више слика (најмање 22 реза).У сложеним случајевима, анализа више од хиљаду слика може бити неопходна, што онемогућава да се све брзо прегледа. Компјутерско виђење може помоћи радиолозима тако што ће означити подручја у којима су промене у контурима беле материје и сиве материје највероватније.Ово би такође могло послужити као непроцењива помоћ за обуку млађих лекара и становника.Ово решење пружа неколико предности за скенирање у раном узрасту: 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 први поглед, може изгледати као да можемо једноставно поново користити доступне податке из отвореног кода и унапред обучене моделе у ту сврху. На крају крајева, слични проблеми већ су решени коришћењем АИ у такмичењима за машинско учење. На пример, 2019 МИЦЦАИ Гранд Цханге се фокусирао на сегментирање МРИ слика бебиних мозгова млађих од шест месеци. На крају крајева, слични проблеми већ су решени коришћењем АИ у такмичењима за машинско учење. Fokusiran je na segmentaciju MRI slika mozga dojenčadi mlađe od šest meseci, a programeri iz celog sveta pokušali su da reše ovaj izazov koristeći iSeg-2019 set podataka. MICCAI Grand Challenge MICCAI Grand izazov Међутим, постојећи скуп података није имао неопходне анотације - сегментационе маске које идентификују која подручја слике одговарају сивој или белој материји. iSeg-2019 скуп података укључује само 15 анотираних слика, док је шестогодишња архива универзитета садржала МРИ скене од 1500 пацијената без анотација уопште. To je značilo da je naš prvi korak bio priprema podataka. Како претворити МРИ скенере у скуп података за машинско учење Тим Иандек Цлоуд је дошао са архитектуром апликација на бази облака, помогао у одабиру правих алата и помогао у конфигурисању и тестирању коначне веб услуге. Вођени ментором Арсенијем Земеровом, студенти из Иандек Школе за анализу података су се бавили кључним МЛ задацима: одабиром архитектуре неуронске мреже, покретањем експеримената и обуком модела на анотираним подацима. Ево високог нивоа преглед података цевовода. Погледајмо прву фазу. . МРИ скенирања се чувају у систему за архивирање слика и комуникације (ПАЦС) дизајниран за управљање медицинским сликама у ДИЦОМ формату. Овај систем архивира и обрађује анонимне скенере, који чине језгро сета података о обуци модела. Да бисмо распоредили овај систем, поставили смо виртуелну машину у Иандек Цомпуте Цлоуд. Уплоад анонимне МРИ студије деце млађе од 12 месеци из универзитетског архива, заједно са подацима иСЕГ-2019. Loading the raw data Свака студија је збирка МРИ слика ухваћених у различитим режимима: Т1, Т2, ФЛАИР и ДВИ. Ови режими истичу различите карактеристике ткива, помажући клиничарима да боље разликују различите услове (за детаље, погледајте Da bi se ispunili ovi zahtevi, ovaj sistem skladišti dodatne metapodatke i tretira više rezova MRI kao jednu jedinstvenu studiju.To obezbeđuje da se na serveru ne skladište nikakvi lični podaci jer radimo samo sa anonimnim skupom podataka. Ovaj članak Ovaj članak За пацијенте старије од једне године, радиолошке слике мозга могу се анотирати помоћу аутоматизованих алата као што је 3Д резач отвореног кода, који израчунава волумен беле материје и сиве материје. Међутим, ове методе нису ефикасне за млађе пацијенте. На МРИ скенирањима новорођенчади, чак и искусни радиолози могу наћи тешко да разликују белу материју од сиве материје, чинећи анотацију детаљним, пиксел-по-пикселним задатком. Annotating the collected data У почетку смо планирали да стручњаци за радиологију анотирају сирове податке од нуле, али се процес показао превише дуготрајним: једна студија са само неколико резова може трајати осам сати или више. Да би се убрзао процес, наши МЛ стручњаци су предложили да се изврши пре-аннотација користећи модел отвореног кода назван Беби Интенсити-Басион Сегментатион Нетворк ( Мрежа се заснива на nnU-Net оквиру и дизајнирана је за идентификацију беле материје и сиве материје. Библија Библија Након прегледа резултата пре-аннотације, открили смо да још увек има пуно простора за побољшање многих метрика. Време закључења за један том је било око 2,5 минута. The BIBSNet Docker container was adapted for parallel execution. The container was deployed on 20 virtual machines, each processing data independently. Ово смањује време пре-аннотације за цео сет података, што омогућава процену перформанси алгоритма на њему. Према нашим стручњацима радиолога, пре-аннотације су биле корисне у 40% случајева, а то је само помогло да се смањи ручно оптерећење. Наши МЛ стручњаци су такође упоредили перформансе БИБСнет-а у сегментирању сиве материје (ГМ) и беле материје (ВМ) на Т1-важеним (сагиталним) и Т2-важеним (аксијалним) МРИ скенирањима. Као резултат тога, пре-аннотација нам је помогла да изградимо аннотирани сет података од око 750 резова. Ово је било довољно за обуку и евалуацију модела машинског учења за сегментацију и детекцију. Пре него што смо покренули експерименте, поделили смо сет података у сетове за обуку и валидацију, користећи последње да проверимо наше метрике. Унутар наших образовних експеримената У почетку смо планирали да испробамо напреднију архитектуру, Висион Трансформер. Међутим, убрзо смо схватили да је ова архитектура погодна за здравствене сврхе. Дакле, изабрали смо сегментатор изграђен од два типа неуронских мрежа: Конволуциона неуралне мреже служе као екстрактори функција (бактерије), добро се прилагођавају задацима изван класификације (као што је сегментација). Архитектуре су експлицитно развијене за медицинску слику, са У-нет као примарним избором. Yandex School of Data Analysis tim je imao za cilj da razvije model segmentacije koji bi mogao da bude precizan kao BIBSNet, ali da pruži mnogo brže vreme zaključivanja. Да би се то постигло, студенти су спровели серију експеримената на iSeg-2019 сету података. За архитектуре неуронских мрежа, испитали су У-Нет, У-Нет++ и ДеепЛабВ3. За кичме за екстракцију функција, тестирали су РесНет-50, РесНет-101, РесНект-50, РесНект-101, и ДенсеНет-161. Током експеримената, тим је пробао неколико приступа: 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. Šta smo otkrili Ево шта су наши експерименти са различитим екстракционим кичмама показали: Експерименти са мрежном архитектуром: Најбољи експеримент је био обука У-нет са РеНеКст50 кичмом користећи функцију ДицеЛосс. Ево како модел функционише на скупу за валидацију.Оригинална студија из скупа за валидацију: Пример излаза из алгоритма Завршна метрика: 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 Брзина закључења обучене неуронске мреже која ради на ЦПУ је око 3 секунде. Kako trenutno funkcioniše Naše rešenje , , је дизајниран као веб услуга за радиологе који обављају МРИ скене на дојенчадима. Они могу да учитају стечене датотеке у службу одмах након поступка. Систем анонимизује учитане податке, уклањајући све личне информације, као што је име пацијента, из евиденција. Dostupno na Githubu Решење аутоматски идентификује површине сиве материје и беле материје на сваком МРИ резу, пружајући предвиђања са поузданим резултатима. Услуга је углавном морфометријска, што значи да мери запремине ткива.Када је обрада завршена, корисници виде предвиђене запремине сиве материје, беле материје и цереброспиналне течности модела, заједно са описима највећих структура. Из табеле сажетка, можете одабрати одређену студију да бисте видели скенирање са примењеним маскама беле материје и сиве материје. Наши експерименти показују тачност од преко 90%. Очекујемо да ће се ова цифра побољшати како проширимо скуп података и наставимо да фино подешавамо модел, који је првобитно обучен на ограниченим подацима. Гледајући напред, путопис пројекта иде даље од основне сегментације. Наш следећи корак је израчунавање односа ГМ-на-ВМ, што може клиничарима пружити дубље увид. Неурална мрежа је тестирана на Државном педијатријском медицинском универзитету у Санкт Петербургу, а истраживачи су спремни да своје налазе деле са другим медицинским институцијама. Када се тестирање заврши, планирамо да пустимо решење као отворени извор за употребу у медицинским институцијама и истраживачким пројектима широм света. Решење такође има значајан научни потенцијал. Пошто запремине мозга дојенчади раније нису мерене на скали, ниједна фундаментална студија још није испитала промене у запремини мозга широм великих кохорта. За различите услове и патологије, ово истраживање може помоћи у побољшању стандарда медицинске заштите.
