Как нейросети повышают точность диагностики ДЦП у новорождённых по МРТ

МРТ головного мозга играет главную роль в диагностике серьёзных заболеваний — от опухолей до нейродегенеративных расстройств. Раннее выявление нарушений у младенцев позволяет обнаружить негативные изменения в развитии мозга, которые могут привести к таким патологиям, как ДЦП, и вовремя начать лечение.

Специалисты Санкт‑Петербургского государственного педиатрического медицинского университета (СПбГПМУ), совместно со Школой анализа данных (ШАД) и Центром технологий для общества Yandex Cloud, создали нейросетевое решение для оценки развития мозга новорождённых по МРТ‑снимкам. При подозрении на ДЦП и другие заболевания ЦНС система помогает врачам, сокращая время расшифровки снимков с нескольких дней до всего нескольких минут.

Почему важно делать МРТ младенцам

Мозг новорождённого развивается очень быстро: с рождения до года его структура меняется почти каждую неделю. Помимо увеличения объёма мозга, происходят процессы, которые врачи называют церебральным развитием, включая миелинизацию.

Миелинизация — это формирование билипидного слоя вокруг аксона. Процесс начинается примерно с пятого месяца внутриутробного развития и активно продолжается до двух лет. Миелин в белом веществе ЦНС действует как изолятор, обеспечивая быструю передачу сигналов между нейронами. Нарушения этого процесса могут привести к задержке развития.

Если миелинизация проходит медленно, ребёнок попадает в группу риска по развитию ДЦП — заболевания, которое встречается у 2–3 новорождённых из 1000 и является одной из главных причин детской инвалидности. Раннее наблюдение за мозгом позволяет вовремя подобрать терапию и профилактические меры, предотвращая гибель клеток.

Особенности МРТ-диагностики мозга младенцев

У детей до 12 месяцев белое и серое вещество плохо дифференцируется, а кора головного мозга, отвечающая за мыслительные функции, ещё формируется.

Специалист по лучевой диагностике сталкивается с двумя основными задачами:

• Разделить белое и серое вещество.
• Определить их объём.

Анализ помогает оценить динамику развития коры и белого вещества.

МРТ младенцам назначают только при серьёзных показаниях: родовые травмы, поражения нервной системы, судороги, подозрение на эпилепсию и другие состояния. Частое обследование маленьким детям не рекомендуется из‑за необходимости седации.

Стандартная процедура выглядит так:

1. Ребёнка вводят в седацию и помещают в томограф. Процесс занимает 30–50 минут.
2. После этого снимки обрабатываются: врач вычисляет объём серого и белого вещества по трём осям. В сложных случаях анализ может занять до 72 часов.
3. Если есть предыдущие МРТ, результаты сравниваются, что увеличивает время постановки диагноза.

Как нейросети помогают в диагностике

Традиционные методы оценки миелинизации мозга у младенцев до года во многом зависят от субъективного опыта диагноста. Опытный специалист часто может определить по изображению, в норме ли объём белого вещества. Для простых случаев это занимает от получаса до двух часов работы непосредственно за МРТ‑аппаратом — и вмешательство искусственного интеллекта не требуется.

Однако при анализе нескольких исследований, особенно в динамике, ситуация усложняется. Даже одно МРТ включает минимум 22 среза, а для сравнения динамики иногда нужно обработать более тысячи изображений. Просмотреть их вручную быстро невозможно.

Здесь на помощь приходят нейросети, они помогают выявлять участки белого и серого вещества, где возможны отклонения. Это особенно полезно для молодых специалистов, которые ещё учатся под наставничеством опытных врачей. Применение таких систем увеличивает точность раннего обследования и позволяет:

• ускорить сам процесс исследования;
• точнее планировать динамический контроль, определяя частоту обследований без лишнего наркоза;
• повысить пропускную способность специалистов лучевой диагностики, чтобы охватить больше пациентов.

Подготовка данных для ML

Специалисты Yandex Cloud предложили облачную архитектуру приложения, помогли выбрать инструменты, развернуть веб‑сервис и протестировать его. Архитектурой нейросети, ML‑экспериментами и обучением модели на размеченных данных занимались студенты ШАД Марк Каширский, Жанту Жуматаев и Егор Евдокимов под руководством ментора Арсения Земерова. Самую сложную задачу — разметку данных — выполняла вся команда при активном участии врачей‑экспертов СПбГПМУ.

Верхнеуровневый работы выглядел так:

Загрузка «сырых» данных.

МРТ‑снимки хранятся в PACS (Picture Archiving and Communication System) в формате DICOM. Для проекта специалисты развернули виртуальные машины в Compute Cloud и загрузили обезличенные архивные данные детей до 12 месяцев, а также изображения из iSeg-2019. Каждое исследование включает визуализации в режимах T1, T2, FLAIR и DWI, которые подчеркивают разные свойства тканей и помогают различать патологии.

Разметка данных.

Для пациентов старше года есть автоматизированные инструменты, вроде 3D Slicer, позволяющие вычислять объём белого и серого вещества. Для младенцев такие методы не работают: различить вещества на МРТ крайне сложно, и разметка часто требует ручной работы пиксель за пикселем. Эксперты успели размечать вручную около 30 исследований по три среза, но этого было недостаточно.

Чтобы ускорить процесс, команда использовала предразметку с помощью открытой модели BIBSNet (Baby Intensity-Based Segmentation Network) на базе nnU-Net, которая автоматически выделяет белое и серое вещество.

Оптимизация обработки.

Инференс одного объёма занимал около 2,5 минут. Чтобы ускорить процесс, Docker-контейнер с BIBSNet запустили параллельно на 20 виртуальных машинах. Это позволило значительно сократить время обработки и оценить качество алгоритма: по экспертной оценке, предразметка была полезной в 40% случаев, снижая ручную работу.

Метрики качества.

ML‑специалисты фиксировали результаты сегментации серого (GM) и белого (WM) вещества в режимах T1 (саггитальные срезы) и T2 (аксиальные срезы):

(IoU — индекс Жаккара, измеряющий сходство предсказанной и истинной области)

В результате предразметки удалось собрать датасет из примерно 750 размеченных срезов, достаточный для обучения и оценки моделей машинного обучения по задачам сегментации и детекции. Перед экспериментами данные разделили на тренировочную и валидационную выборки для проверки метрик.

Эксперименты по обучению моделей

Изначально команда планировала использовать архитектуру Vision Transformer, но быстро стало понятно, что для медицинских МРТ‑данных она не подходит: модель давала слишком много «галлюцинаций», что могло ухудшить качество диагностики.

В итоге решили применить сегментатор на основе двух типов нейросетей:

• Свёрточные нейросети (CNN) в качестве backbone для извлечения признаков — эти архитектуры хорошо подходят для задач сегментации медицинских изображений.
• U‑Net и её модификации, изначально разработанные для работы с медицинскими данными.

Цель команды ШАД заключалась в том, чтобы создать модель сегментации, не уступающую BIBSNet по точности, но значительно быстрее по времени инференса.

Для экспериментов использовался датасет iSeg-2019. Рассматривались архитектуры: U‑Net, U‑Net++ и DeepLabV3, а для извлечения признаков — ResNet-50, ResNet-101, ResNeXt-50, ResNeXt-101 и DenseNet-161.

Подходы к обучению

Чистое 2D‑обучение на целевых срезах

Модель обучали исключительно на вручную размеченных 30 срезах. Ограниченность данных привела к слабой способности модели к обобщению.

Объединённое 3D‑обучение с iSeg-2019 и целевыми данными

Модель обучалась на комбинированном датасете: полностью размеченные изображения iSeg-2019 плюс целевые данные. Для срезов без разметки использовалась маска, исключающая их вклад в функцию потерь, что позволяло использовать только размеченные участки без ошибок обучения.

Результаты экспериментов

Эксперименты показали, что лучшей комбинацией является U‑Net с ResNeXt50 в качестве backbone, обученная с функцией потерь DiceLoss.

Скорость инференса модели на CPU составляет около 3 секунд, что значительно ускоряет обработку.

Как работает решение сейчас

Модель реализована в виде веб‑сервиса для врачей лучевой диагностики.

Процесс работы:

• После МРТ файлы загружаются в сервис, данные анонимизируются.
• Нейросеть автоматически определяет на каждом срезе серое и белое вещество с указанной вероятностью.
• Сервис измеряет объёмы серого и белого вещества и цереброспинальной жидкости, а также предоставляет описание крупных структур.
• В интерфейсе можно перейти к самому исследованию с выделенными масками вещества.

Точность решения превышает 90%, и она может улучшаться по мере увеличения объёма размеченных данных.

Перспективы и значимость проекта

В будущем сервис будет показывать пропорции серого и белого вещества в процентах, а не только контуры.

Нейросеть протестирована в СПбГПМУ, и специалисты готовы делиться наработками с другими медицинскими учреждениями. Теперь расшифровка МРТ, которая раньше занимала несколько дней, выполняется за несколько минут.

После завершения тестирования разработку планируют выложить в открытый доступ, чтобы её могли использовать медицинские и научные проекты по всему миру.

Проект также имеет фундаментальное значение: ранее объёмы мозга младенцев не вычислялись систематически, что ограничивало исследования динамики роста головного мозга. Новая база данных позволит уточнить стандарты медицинской помощи и лучше понять развитие мозга при различных патологиях.

Применение таких технологий показывает, как искусственный интеллект может безопасно и эффективно интегрироваться в медицинскую практику, сокращая сроки диагностики с нескольких дней до нескольких минут и открывая новые горизонты для науки и клинической работы.

Разница - в деталях

Варианты УЗ сканеров под общее УЗИ

Подробнее