Российские учёные разработали нейронную сеть, которая может обнаружить пороки развития мозга

Исследователи Сколтеха и их коллеги из Национального медико-хирургического центра им. Пирогова и Национального медицинского исследовательского центра акушерства, гинекологии и перинатологии имени Кулакова использовали сверточную нейронную сеть для автоматизации обнаружения фокальной корковой дисплазии, распространенной причины эпилепсии, на МРТ-изображениях.

Полученные данные могут помочь врачам быстрее и точнее диагностировать заболевание. Статья была представлена ​​на Международной конференции по когнитивным наукам (Intercognsci 2020).

Фокальная корковая дисплазия (ФКД) — это врожденный порок развития коры головного мозга, когда нейроны в определенной области не могут организоваться должным образом. Это одно из наиболее распространенных поражений головного мозга, вызывающих эпилепсию, и его обычно диагностирует радиолог, проверяющий МРТ головного мозга пациента.

Команда, возглавляемая профессорами Сколтеха Александром Бернштейном, Евгением Бурнаевым и старшим научным сотрудником Максимом Шараевым, решила усовершенствовать существующий метод автоматизации обнаружения FCD, основанный на глубоком обучении. С помощью клинических партнеров они получили маркированные МРТ-сканирование пациентов с этим диагнозом, а также здоровых субъектов для обучения и использования сверточной нейронной сети, а также использовали суперкомпьютерный кластер Zhores для своих расчетов.

«Обнаружение источника эпилепсии — очень сложная задача, требующая специальных навыков. К сожалению, существует значительная нехватка радиологов, имеющих соответствующий значительный практический опыт и обученных искать такие аномалии. В результате неточное обнаружение зон эпилепсии может приводят к неэффективно планируемым хирургическим операциям », — говорит Шараев.

Есть всего несколько примеров использования глубоких CNN для этой задачи, и одной из самых больших проблем, с которыми пришлось столкнуться исследователям, было отсутствие аннотированных данных и их низкое качество. «Чтобы решить эту проблему, мы разработали нашу собственную систему маркировки, которая помогает радиологу аннотировать МРТ-изображения. Другой проблемой является трехмерный характер МР-изображений, поэтому здесь мы представляем несколько решений для работы с 3D-данными, а также с их 2D-плоскостью. прогнозы», — поясняет Бурнаев.

Авторы пишут, что в наиболее эффективной конфигурации модели области FCD были успешно обнаружены у 11 из 15 субъектов. «Это первый пример, своего рода подтверждение концепции наших методов. Необходимо проделать большую работу, чтобы улучшить качество моделей, надежность и связанные с этим вещи. Только после того, как эти проблемы будут решены, мы могли бы подумать о клинической реализации для нашей нейросети» — отмечает Шараев.

Теперь команда работает с клиническими партнерами, чтобы получить больше данных для обучения и проверки модели, а также изучить различные архитектуры машинного обучения и глубокого обучения. «Например, сейчас некоторые из наших докторантов разрабатывают новые сеточно-ориентированные технологии и технологии облака точек для извлечения аномалий из данных 3D МРТ», — говорит Бурнаев.

Ученые также работают над стартовым проектом — их веб-платформа для МРТ-анализа уже тестируется в качестве помощи радиологам, которые могут помочь обнаружить аномалии в сканированных изображениях. «Параллельно мы работаем над более сложными подходами, такими как тот, который обсуждается в текущей статье, который может привести к гораздо более точной автоматической системе для анализа МРТ и обнаружения аномалий мозга», — добавляет он.

ОмскПресс