Интеллектуальная система автоматизированной разметки по данным рентгенографии органов грудной клетки

Интеллектуальная система анализа рентгенограмм ОГК: выделение областей легких и средостения на прямой проекции с последующим расчетом кардиоторакального индекса (КТИ), визуализацией трех ориентиров для контроля ротации пациента. Выделение сегментарного строения легких на прямой и боковых проекциях.

Описание проекта

Краткая информация о проекте

Проект представляет собой интеллектуальную систему анализа рентгенограмм ОГК на основе сверточных нейронных сетей (СНС), решающая две основные задачи:

1. Выделение областей легких и средостения на рентгене ОГК в прямой проекции с последующим расчетом кардиоторакального индекса (КТИ) и визуализацией трех линий-ориентиров для контроля ротации пациента;
2. Выделение сегментарного строения легких для прямой или боковой проекций рентгенограмм ОГК.

Актуальность проекта

По оценкам BusinesStat на 2025 год:

• Рентгенография занимает около 55% от общего числа всех лучевых диагностик в РФ;

• Около 179 млн рентгенологических исследований ежегодно.

По данным исследования частоты встречаемости патологий на рентгенах ОГК 2024 года:

• 12,23% всех протоколов описаний рентгенограмм ОГК в системе ЕРИС города Москвы содержат кардиомегалию (увеличение размеров сердца);

•  73,14% протоколов с патологиями содержат кардиомегалию.

Это указывает на важность разработки решений, способствующих повышению интерпретируемости рентгенограмм ОГК и содержательности получаемой информации при снижении временных затрат на их анализ.

Проект направлен на решение следующих проблем:

• Загруженность врачей-рентгенологов рутинными задачами / нехватка специалистов;
• Вариабельность измерений при расчете КТИ;
• Вариабельность в локализации патологий относительно сегментарного строения легких
• Малая распространенность интерактивных инструментов для повышения качества обучения студентов-медиков

Методы решения задач

Для решения первой задачи:

• Разработаны и обучены модели СНС для сегментации областей легких и средостения;
• Реализован алгоритм расчета КТИ с визуализацией ориентиров для контроля ротации пациента;
• проведена валидация на независимом наборе данных с ручными измерениями эксперта.

Для решения второй задачи:

• Разработаны идеализированные шаблоны легких с сегментарным строением (6 шаблонов легких): для каждого легкого в прямой проекции, медиального и латерального вида легких на боковых проекциях
• Произведена разметка 14 ключевых точек на каждом шаблоне
• Произведена разметка ключевых точек на рентгенограммах обучающего набора данных 
• Разработан алгоритм деформации шаблона по ключевым точкам, протестирован на размеченных данных
• Разработаны модели детекции ключевых точек (находятся на этапе обучения)

Используемые технологии ИИ

В качестве архитектуры модели сегментации применяется модификация известной архитектуры U-Net - стандарта медицинской сегментации.

Для детекции ключевых точек используется архитектура HRNet - разновидность U-Net-подобных архитектур.

Разработка и обучение моделей выполнены с использованием фреймворка PyTorch.

Используемые данные

Для задачи сегментации использовался набор из открытой базы данных miniJSRT_database:

• 247 рентгенограмм в прямой проекции разрешения 256×256 пикселей;
• Рентгенограммы формата BMP, маски – PNG;
• Классы: фон, тело, срединная тень, легкие.

Для валидации моделей сегментации, обучения детектора точек сформирован независимый набор данных:

• 31 пара рентгенограмм в прямой и левой боковой проекциях разрешения около 3000×3000 пикселей;
• Рентгенограммы и маски в формате PNG, ключевые точки в формате JSON;
• Классы: фон, срединная тень, легкие.

Ключевые результаты

Метрики на сегментации: IoU = 0,9351, Dice = 0,9662.

Средняя абсолютная ошибка расчета КТИ при валидации на независимом наборе данных (MAE): 0,0169

 Относительная ошибка расчета КТИ при валидации на независимом наборе данных: 4,0%

Организация

СПБГЭТУ "ЛЭТИ"

Адрес сайта: github.com/TTankrat

Авторы проекта

Материалы