Кейсы R77

Система распознавания окклюзий и сегментации сосудов в головном мозге

Cуть предложения — изучение предметной области, анализ научной литературы, сравнение существующих подходов и разработку наиболее перспективного алгоритма. Проект ориентирован на использование нейросетевых архитектур и методов машинного обучения, а также традиционных алгоритмов обработки изображений для создания точного и надежного инструмента, который облегчит диагностику для врачей и улучшит качество медицинского обслуживания.

Введение

Данный проект ориентирован на исследование и разработку подходов для решения задачи детекции сосудистых окклюзий по данным КТ-ангиографии. Цель проекта заключается в изучении существующих методов и алгоритмов для автоматического выявления окклюзий, которые могут привести к инсультам. Результатом станет создание алгоритма, способного точно и надежно определять окклюзии, что облегчит диагностику для врачей и улучшит качество медицинского обслуживания. Решение включает использование передовых нейросетевых архитектур и методов машинного обучения, интегрированных с традиционными алгоритмами обработки изображений.

Клиент — СберМедИИ

Боль-Запрос

Высокая вероятность человеческой ошибки при анализе КТА.

→ Необходимость автоматизации процесса анализа изображений.

Длительное время анализа медицинских изображений.

→ Ускорение диагностики за счет применения новых технологий.

Недостаточная точность диагностики сосудистых окклюзий.

→ Разработка точных алгоритмов для сегментации и детекции.

Ограниченность существующих методов.

→ Внедрение передовых нейросетевых архитектур.

Высокие затраты на анализ медицинских данных.

→ Снижение затрат благодаря автоматизации и оптимизации.

Описание проекта

Проект посвящен разработке и внедрению методов автоматической сегментации сосудов и детекции окклюзий в данных КТ-ангиографии (КТА) с использованием нейросетевых архитектур и алгоритмов машинного обучения.

Цели проекта

Изучение существующих методов: Анализ текущих подходов к детекции сосудистых окклюзий и выбор наиболее эффективных.
Разработка моделей: Создание нейросетевых моделей для сегментации сосудов и обнаружения окклюзий.
Подготовка данных: Создание размеченного набора данных из КТА-исследований для обучения и тестирования моделей.
Оптимизация и тестирование: Настройка параметров моделей и оценка их эффективности на валидационных и тестовых данных.
Практическая реализация: Внедрение разработанных алгоритмов в медицинскую практику для помощи врачам в диагностике.

Выполненные задачи

Изучение предметной области: Проведен анализ научных статей и существующих подходов.
Подготовка данных: Разметка 51 примера КТА-исследований.
Разработка моделей сегментации: Реализованы модели на основе UNet.
Обучение и тестирование: Обучение моделей на 3D тензорах, оценка по метрикам DICE и BCE.
Разработка методов обнаружения окклюзий: Протестированы подходы 3D-сегментации, детекции и классификации кончиков сосудов.
Оптимизация моделей: Настройка параметров обучения и функции потерь.
Анализ результатов: Сбор отзывов врачей и анализ метрик качества.
Предложения по улучшению: Рекомендации по увеличению данных и улучшению алгоритмов.

Длительность проекта

Общая длительность проекта — 1 год

Команда

1 Data Science Lead
2 Data Scientists
1 Project Manager
Команда врачей (от заказчика)

Стоимость реализации проекта

Общая стоимость проекта составила ~ 10 млн

Решение

Схема решения

План исследования

В рамках проекта было выполнено следующее:

Проведение анализа научных статей: Оценка существующих подходов к детекции окклюзий и коллатерального кровотока.
Подготовка документации: Разработка документов с результатами анализа, описанием предложенного технического решения, качеством набора данных и характеристиками модели.
Разработка требований к данным: Формат, структура и количество изображений для разметки.
Сборка и валидация данных: Создание и проверка размеченного набора данных.
Разработка скриптов: Создание скриптов для загрузки, обработки и трансформации изображений КТ.
Разработка модели машинного обучения: Итеративное создание моделей для сегментации сосудов и детекции окклюзий.
Оценка качества модели: Анализ работы моделей с использованием метрик IoU, DICE, mAP, Precision, Recall.
Контейнеризация: Подготовка контейнеров с моделями и необходимым окружением для запуска и обучения.

Результат проекта

Сегментация сосудов

Архитектура модели: UNet

Для задачи сегментации сосудов по данным КТ-ангиографии была выбрана архитектура UNet. Эта архитектура, состоящая из 5 блоков в энкодере и декодере, позволяет эффективно выделять сосуды на медицинских изображениях.

Параметры обучения:

Число эпох: 600
Learning rate: 1e-4
Алгоритм оптимизации: Adam
Функция потерь: DiceLoss

Метрики качества:

Комментарии врачей:

Модель хорошо работает с крупными сосудами.
Проблемы наблюдаются в местах изгибов сосудов и устьях ВСА.
Частые ошибки в местах близости сосудов и костей.

Обнаружение окклюзий

Для задачи обнаружения окклюзий сосудов использовались различные подходы машинного обучения. Были рассмотрены следующие методы:

1) 3D-сегментация окклюзий

Архитектура: Unet

Параметры обучения

— Число эпох: 500
— Learning rate: 1e-4
— Алгоритм оптимизации: Adam

Метрики:

— DiceLoss = 0.499
— Mean Dice = 0.030

Выводы: Низкие значения метрик указывают на недостаточную способность модели к детектированию окклюзий.

2) Детекция окклюзий (object detection)

Архитектура: RetinaNet

Параметры обучения:

— Число эпох: 300
— Learning rate: 1e-2
— Алгоритм оптимизации: Nesterov momentum SGD
— Функция потерь: Focal Loss

Метрики:

— Focal Loss = 0.474
— mAP:0.1_0.5_0.05 = 0.02

Выводы: Модель показала явное переобучение под фоновый класс, что привело к низким результатам.

3) Классификация кончиков сосудов

Архитектура: DenseNet121
Параметры обучения:

— Число эпох: 600
— Learning rate: 1e-4
— Алгоритм оптимизации: Adam
— Функция потерь: CrossEntropyLoss

Метрики:

— Accuracy = 0.918
— Precision = 0.612
— Recall = 0.51
— F1-Score = 0.556

Выводы: Смещение модели под нулевой класс задачи из-за сильного дисбаланса в данных.

Анализ качества работы

Алгоритм оценки качества: Качество обучения моделей оценивалось при помощи метрики DICE. Финальная функция потерь представляла собой комбинацию Dice Loss и Binary Cross Entropy Loss.

Выводы:

Сегментация сосудов: Модель демонстрирует способность к сегментации сосудов, что подтверждается высокими значениями метрик и положительными отзывами врачей.
Обнаружение окклюзий: Текущие методы не обеспечивают достаточного качества для практического применения и требуют дополнительных данных и улучшений алгоритмов.
Комбинированный подход: Использование классических алгоритмов компьютерного зрения и нейросетевого классификатора показало перспективные результаты, что указывает на необходимость дальнейших исследований и экспериментов.

Пример работы модели сегментации сосудов

Предложения по улучшению:

Увеличение количества тренировочных данных.
Использование аугментации данных.
Применение других архитектур нейросетей.
Тонкая настройка параметров обучения.
Новые подходы с использованием операций компьютерного зрения на пост- и препроцессинге данных.

Пример сегментации модели по итерации 2
(красная маска — прогноз модели, зелёная — разметка от врачей)

Релевантность

Медицинская значимость: Автоматическое выявление сосудистых окклюзий помогает в быстрой и точной диагностике инсультов и других сосудистых заболеваний, что может значительно улучшить исход лечения и спасти жизни.
Технологическая инновация: Проект применяет передовые нейросетевые архитектуры и методы машинного обучения, что способствует развитию технологий в области медицинской визуализации.
Практическая польза: Внедрение алгоритмов сегментации и детекции облегчает работу врачей, позволяя им быстрее и точнее анализировать медицинские изображения, что повышает эффективность и качество медицинского обслуживания.
Научный вклад: Исследование и разработка новых подходов к сегментации и детекции сосудов способствуют развитию научного сообщества, предоставляя новые данные и методы для дальнейших исследований и разработок.

Преимущества продукта

Точность диагностики: Автоматическое выявление окклюзий улучшает точность и скорость диагностики, снижая вероятность человеческой ошибки.
Сокращение времени анализа: Врачи получают 3D-карту сосудов, что позволяет быстрее обнаруживать отклонения и принимать решения.
Использование передовых технологий: Применение современных нейросетевых архитектур и методов машинного обучения для решения сложных медицинских задач.
Улучшение качества лечения: Быстрая и точная диагностика окклюзий сосудов способствует более эффективному лечению пациентов.
Научный вклад: Разработка новых методов и алгоритмов в области медицинской визуализации и диагностики.
Экономическая эффективность: Сокращение времени и ресурсов, затрачиваемых на анализ медицинских изображений, снижает затраты на медицинское обслуживание.

Дополнительные материалы

ДВЕ ОККЛЮЗИИ С РАЗНЫХ СТОРОН:

ОТСУТСТВИЕ ОККЛЮЗИИ:

Модель не нашла ни одной окклюзии и в этом полностью совпала с ground truth.

Подробнее о кейсе рассказали на вебинаре.

R77

Медицина