Автоматическая сегментация очагов демиелинизации при рассеянном склерозе

Обложка

Цитировать

Полный текст

Аннотация

Цель – оценить эффективность использования алгоритма YOLOv8 для автоматической сегментации очагов демиелинизации различной локализации у пациентов с рассеянным склерозом.

Материал и методы. В исследование включены 120 пациентов с клинически достоверным диагнозом «рассеянный склероз», которым была проведена МРТ с контрастированием. Были проанализированы МРТ пациентов с различным типом течения заболевания. Для анализа использовались T1-, T2-взвешенные и FLAIR последовательности. Алгоритм YOLOv8 был адаптирован для медицинских данных и обучен на размеченных вручную МРТ-снимках. Оценка производительности модели проводилась с использованием метрик точности (Precision), полноты (Recall) и F1-мера.

Результаты. Модель YOLOv8 показала высокие результаты сегментации: точность – 0,79, полнота – 0,73, F1 мера – 0,61. Модель эффективно идентифицировала очаги демиелинизации различной локализации, типичной для рассеянного склероза. Остается необходимость в повышении полноты для минимизации пропуска поражений. Тестирование на независимых данных подтвердило стабильность результатов модели.

Выводы. Алгоритм YOLOv8 демонстрирует высокий потенциал для автоматической сегментации очагов демиелинизации у пациентов с рассеянным склерозом. Данная методика может быть успешно внедрена в клиническую практику, что позволит ускорить диагностику и улучшить контроль за прогрессированием заболевания. Для дальнейшего повышения точности и полноты сегментации возможна оптимизация модели через использование методов усиления данных и гибридных архитектур.

Об авторах

А. В. Захаров

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Автор, ответственный за переписку.
Email: zakharov1977@mail.ru
ORCID iD: 0000-0003-1709-6195

канд. мед. наук, доцент, директор НИИ нейронаук

Россия, Самара

И. В. Широлапов

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: ishirolapov@mail.ru
ORCID iD: 0000-0002-7670-6566

канд. мед. наук, доцент, заведующий лабораторией трансляционных исследований и персонализированной медицины

Россия, Самара

Е. В. Хивинцева

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: e.v.hivinceva@samsmu.ru
ORCID iD: 0000-0002-1878-7951

канд. мед. наук, доцент кафедры неврологии и нейрохирургии

Россия, Самара

М. С. Сергеева

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: m.s.sergeeva@samsmu.ru
ORCID iD: 0000-0002-0926-8551

канд. биол. наук, доцент, ведущий специалист НИИ нейронаук

Россия, Самара

Н. П. Романчук

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: n.p.romanchuk@samsmu.ru
ORCID iD: 0000-0003-3522-6803

канд. мед. наук, доцент, заведующий лабораторией нейроморфных систем НИИ нейронаук

Россия, Самара

Д. А. Дедык

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: d.a.dedyk@samsmu.ru
ORCID iD: 0009-0000-7902-6964

инженер передовой инженерной школы

Россия, Самара

Д. Д. Мельникова

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: Daha442242@gmail.com
ORCID iD: 0009-0000-6516-8216

инженер передовой инженерной школы

Россия, Самара

А. М. Андреев

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: 2001qwert2001@gmail.com
ORCID iD: 0009-0002-0292-930X

инженер передовой инженерной школы

Россия, Самара

А. И. Мавлетова

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: alexamavletova@gmail.com
ORCID iD: 0009-0007-4429-7554

инженер передовой инженерной школы

Россия, Самара

А. О. Щепетов

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Email: antonshepetov1@gmail.com
ORCID iD: 0009-0009-5925-6426

инженер передовой инженерной школы

Россия, Самара

Jude Hemanth

Институт технологий и наук Карунья

Email: judehemanth@karunya.edu
ORCID iD: 0000-0002-6091-1880

профессор

Индия, Коимбатур

Список литературы

  1. Jakimovski D, Bittner S, Zivadinov R, et al. Multiple sclerosis. The Lancet. 2024;403(10422):183-202. DOI: https://doi.org/10.1016/S0140-6736(23)01473-3
  2. Kaisey M, Solomon AJ. Multiple Sclerosis Diagnostic Delay and Misdiagnosis. Neurologic Clinics. 2024;42(1):1-13. DOI: https://doi.org/10.1016/j.ncl.2023.07.001
  3. Giovannoni G, Butzkueven H, Dhib-Jalbut S, et al. Brain health: time matters in multiple sclerosis. Multiple Sclerosis and Related Disorders. 2016;9:5-48. DOI: https://doi.org/10.1016/j.msard.2016.07.003
  4. Thompson AJ, Banwell BL, Barkhof F, et al. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. The Lancet Neurology. 2018;17(2):162-173. DOI: https://doi.org/10.1016/S1474-4422(17)30470-2
  5. Wattjes MP, Ciccarelli O, Reich DS, et al. 2021 MAGNIMS–CMSC–NAIMS consensus recommendations on the use of MRI in patients with multiple sclerosis. The Lancet Neurology. 2021;20(8):653-670. DOI: https://doi.org/10.1016/S1474-4422(21)00095-8
  6. Egger C, Opfer R, Wang C, et al. MRI FLAIR lesion segmentation in multiple sclerosis: Does automated segmentation hold up with manual annotation? NeuroImage: Clinical. 2017;13:264-270. DOI: https://doi.org/10.1016/j.nicl.2016.11.020
  7. Diaz-Hurtado M, Martínez-Heras E, Solana E, et al. Recent advances in the longitudinal segmentation of multiple sclerosis lesions on magnetic resonance imaging: a review. Neuroradiology. 2022;64(11):2103-2117. DOI: https://doi.org/10.1007/s00234-022-03019-3
  8. Commowick O, Combès B, Cervenansky F, Dojat M. Editorial: Automatic methods for multiple sclerosis new lesions detection and segmentation. Front Neurosci. 2023;17:1176625. DOI: https://doi.org/10.3389/fnins.2023.1176625
  9. Fartaria MJ, Bonnier G, Roche A, et al. Automated detection of white matter and cortical lesions in early stages of multiple sclerosis. Magnetic Resonance Imaging. 2016;43(6):1445-1454. DOI: https://doi.org/10.1002/jmri.25095
  10. Todea AR, Melie‐Garcia L, Barakovic M, et al. A Multicenter Longitudinal MRI Study Assessing LeMan‐PV Software Accuracy in the Detection of White Matter Lesions in Multiple Sclerosis Patients. Magnetic Resonance Imaging. 2023;58(3):864-876. DOI: https://doi.org/10.1002/jmri.28618
  11. A. Abdullah B. Multi-Sectional Views Textural Based SVM for MS Lesion Segmentation in Multi-Channels MRIs. TOBEJ. 2012;6(1):56-72. DOI: https://doi.org/10.2174/1874230001206010056
  12. ElSebely R, Yousef AH, Salem AA, Abdullah B. Automatic Segmentation of Multiple Sclerosis Lesions in Brain MR Images Using Ensemble Machine Learning. In: 2021 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC). IEEE; 2021:28-33. DOI: https://doi.org/1 0.1109/MIUCC52538.2021.9447657
  13. HosseiniPanah S, Zamani A, Emadi F, HamtaeiPour F. Multiple Sclerosis Lesions Segmentation in Magnetic Resonance Imaging using Ensemble Support Vector Machine (ESVM). J Biomed Phys Eng. 2019;9(6):699-710. DOI: https://doi.org/10.31661/jbpe.v0i0.986
  14. Schmidt P, Gaser C, Arsic M, et al. An automated tool for detection of FLAIR-hyperintense white-matter lesions in Multiple Sclerosis. NeuroImage. 2012;59(4):3774-3783. DOI: https://doi.org/10.1016/j.neuroimage.2011.11.032
  15. Galimzianova A, Lesjak Ž, Rubin DL, et al. Locally adaptive magnetic resonance intensity models for unsupervised segmentation of multiple sclerosis lesions. J Med Imag. 2017;5(1):011007. DOI: https://doi.org/10.1117/1.JMI.5.1.011007
  16. Geremia E, Clatz O, Menze BH, et al. Spatial decision forests for MS lesion segmentation in multi-channel magnetic resonance images. NeuroImage. 2011;57(2):378-390. DOI: https://doi.org/10.1016/j.neuroimage.2011.03.080
  17. Dwyer MG, Bergsland N, Ramasamy DP, et al. Salient Central Lesion Volume: A Standardized Novel Fully Automated Proxy for Brain FLAIR Lesion Volume in Multiple Sclerosis. Journal of Neuroimaging. 2019;29(5):615-623. DOI: https://doi.org/10.1111/jon.12650
  18. Tran P, Thoprakarn U, Gourieux E, et al. Automatic segmentation of white matter hyperintensities: validation and comparison with state-of-the-art methods on both Multiple Sclerosis and elderly subjects. NeuroImage: Clinical. 2022;33:102940. DOI: https://doi.org/10.1016/j.nicl.2022.102940
  19. Cavedo E, Tran P, Thoprakarn U, et al. Validation of an automatic tool for the rapid measurement of brain atrophy and white matter hyperintensity: QyScore®. Eur Radiol. 2022;32(5):2949-2961. DOI: https://doi.org/10.1007/s00330-021-08385-9
  20. Brune S, Høgestøl EA, Cengija V, et al. LesionQuant for Assessment of MRI in Multiple Sclerosis – A Promising Supplement to the Visual Scan Inspection. Front Neurol. 2020;11:546744. DOI: https://doi.org/10.3389/fneur.2020.546744
  21. Valcarcel AM, Muschelli J, Pham DL, et al. TAPAS: A Thresholding Approach for Probability Map Automatic Segmentation in Multiple Sclerosis. NeuroImage: Clinical. 2020;27:102256. DOI: https://doi.org/10.1016/j.nicl.2020.102256
  22. Basaran BD, Matthews PM, Bai W. New lesion segmentation for multiple sclerosis brain images with imaging and lesion-aware augmentation. Front Neurosci. 2022;16:1007453. DOI: https://doi.org/10.3389/fnins.2022.1007453
  23. Isensee F, Jaeger PF, Kohl SAA, et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 2021;18(2):203-211. DOI: https://doi.org/10.1038/s41592-020-01008-z
  24. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Vol. 9351. Lecture Notes in Computer Science. Springer International Publishing. 2015:234-241. DOI: https://doi.org/10.1007/978-3-319-24574-4_28
  25. Hitziger S, Ling WX, Fritz T, et al. Triplanar U-Net with lesion-wise voting for the segmentation of new lesions on longitudinal MRI studies. Front Neurosci. 2022;16:964250. DOI: https://doi.org/10.3389/fnins.2022.964250
  26. Andresen J, Uzunova H, Ehrhardt J, et al. Image registration and appearance adaptation in non-correspondent image regions for new MS lesions detection. Front Neurosci. 2022;16:981523. DOI: https://doi.org/10.3389/fnins.2022.981523
  27. Kamraoui RA, Mansencal B, Manjon JV, Coupé P. Longitudinal detection of new MS lesions using deep learning. Front Neuroimaging. 2022;1:948235. DOI: https://doi.org/10.3389/fnimg.2022.948235
  28. Salem M, Ryan MA, Oliver A, et al. Improving the detection of new lesions in multiple sclerosis with a cascaded 3D fully convolutional neural network approach. Front Neurosci. 2022;16:1007619. DOI: https://doi.org/10.3389/fnins.2022.1007619
  29. Kurtzke JF. Rating neurologic impairment in multiple sclerosis: An expanded disability status scale (EDSS). Neurology. 1983;33(11):1444-1444. DOI: https://doi.org/10.1212/WNL.33.11.1444
  30. Kurtzke JF. Clinical definition for multiple sclerosis treatment trials. Ann Neurol. 1994;36(1):73-79. DOI: https://doi.org/10.1002/ana.410360717
  31. Kurtzke JF. On the origin of EDSS. Multiple Sclerosis and Related Disorders. 2015;4(2):95-103. DOI: https://doi.org/10.1016/j.msard.2015.02.003
  32. Wang CY, Mark Liao HY, Wu YH, et al. CSPNet: A New Backbone that can Enhance Learning Capability of CNN. In: 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE; 2020:1571-1580. DOI: https://doi.org/10.1109/CVPRW50498.2020.00203
  33. Bochkovskiy A, Wang CY, Liao HYM. YOLOv4: Optimal Speed and Accuracy of Object Detection. Published online 2020. DOI: https://doi.org/10.48550/ARXIV.2004.10934

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рисунок 1. А – МРТ Т2 режим с очага демиелинизации. В – «маска» очагов демиелинизации, полученная в результате сегментации врачом-радиологом.

Скачать (115KB)
Метаданные
3. Рисунок 2. Блок-схема алгоритма создания обучающей выборки.

Скачать (497KB)
Метаданные
4. Рисунок 3. Метрики, характеризующие качество модели, полученной на тестовой выборке. А – график функции F1 от аргумента Confidence; B – график функции Precision от аргумента Confidence; C – график функции Confidence от аргумента Recall; D – график функции от аргумента Recall.

Скачать (1MB)
Метаданные
5. Рисунок 4. Матрица ошибок модели (0 – все типы очагов демиелинизации; 1 – перивентрикулярные; 2 – юкстакортикальные; 3 – субкортикальные; 4 – инфратенториальные).

Скачать (137KB)
Метаданные

© Захаров А.В., Широлапов И.В., Хивинцева Е.В., Сергеева М.С., Романчук Н.П., Дедык Д.А., Мельникова Д.Д., Андреев А.М., Мавлетова А.И., Щепетов А.О., Hemanth J., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».