Регистрация / Вход
Прислать материал

14.576.21.0018

Аннотация скачать
Постер скачать
Презентация скачать
Общие сведения
Номер
14.576.21.0018
Тематическое направление
Информационно-телекоммуникационные системы
Исполнитель проекта
Общество с ограниченной ответственностью "СИАМС"
Название доклада
Разработка прототипа программного обеспечения распределенной высокопроизводительной интеллектуальной аналитической системы поддержки принятия клинических решений для многомасштабной эндоскопической диагностики и хирургии "Умный эндоскоп"
Докладчик
Мизгулин Вячеслав Владимирович
Тезисы доклада
Цели и задачи исследования
Цель исследования – разработка метода компьютерного анализа геометрии капилляров и желез на эндоскопических изображениях в реальном времени, позволяющего классифицировать рак желудка на ранних стадиях.
Задачи:
- подготовка выборки эндоскопических изображений и видео для исследования, включая разметку и описание;
- разработка и исследование алгоритма анализа изображений и модели классификации на реальных примерах;
- оценка точности классификации на выборке;
- анализ результатов исследований.
Актуальность и новизна исследования
Современные эндоскопические технологии открывают возможность исследований геометрии капилляров и желез на поверхностях изменений слизистой оболочки желудка и толстой кишки. Выполненные ранее исследования соответствующих рисунков в толстой кишке показали закономерности между наблюдаемой геометрией капилляров и желез, а также результатами гистологических исследований, что привело к разработке нескольких классификационных паттернов для эндоскопистов. Созданные паттерны успешно применяются на практике и позволяют своевременно выбирать эффективную тактику лечения пациентов, а также точнее выявлять случаи раннего рака. Геометрия капилляров и желез в желудке оказалась сложнее, чем в толстой кишке, в связи с чем возникла проблема объективизации исследования.
Эндоскопические изображения рисунков капилляров и желез имеют множество артефактов, не поддаются абсолютным измерениям в виду неизвестности масштаба, объекты обладают сложными формами и сетевой структурой; изображениям характерна неравномерность освещенности и размытости, наличие бликов. Разнообразие случаев достаточно велико, и принятой классификации паттернов по желудку до сих пор нет, поэтому организация работы по формированию обучающей выборки для машинного обучения не имеет ясных перспектив. Необходим новый метод, сочетающий в себе лучшие стороны существующих подходов к анализу изображений и распознаванию образов с учетом описанных ограничений.
Описание исследования

Предложен обобщенный метод поддержки принятия решений в эндоскопии. Метод может быть применен только к одному отдельному изменению слизистой оболочки желудка или толстой кишки в рамках одной сессии. Для исследования нескольких новообразований предлагается использовать несколько сессий. Применение метода начинается со старта новой сессии. Метод может быть применен как для видеопотока с камеры эндоскопа, так и при воспроизведении видеофайла. 

В реальном времени анализируется видео-поток с камеры эндоскопа. Выполняется автосегментация желез и капилляров на каждом кадре, изображение разбивается на равные квадраты с помощью регулярной сетки. Для каждого квадрата рассчитываются значения геометрических характеристик. Далее каждому квадрату присваивается уровень риска и цвет. Итоговая зона риска представляет собой прямоугольник, включающий все квадраты с уровнем риска больше нуля. Каждый кадр с зоной риска автосохраняется в стек наблюдений по исследуемому изменению слизистой оболочки в рамках текущей сессии. В реальном времени внутри выделенной зоны риска выполняется классификация желез по типам: одиночные, стержни, кластеры и мозайки. Для всей зоны риска вычисляются следующие уточняющие критерии. Классификация всей структуры выполняется на основании продукционного решателя (если, то). Продукционные правила закладываются в решатель, исходя из актуального в той или иной научной школе метода классификации. Если определенный набор критериев имеют значение "да", то структура относится к соответствующей группе. Подсказка в виде номера предполагаемой группы выводится в реальном времени. Подсказки автосохраняются в стек наблюдений вместе с изображениями в рамках текущей сессии. Каждый стоп-кадр может быть проанализирован на предмет присутствия на нем капилляров определенной формы. Для каждого капилляра рассчитываются его продольный и поперечный профили, после чего применяется распознавание образов, в результате которого могут быть рассчитаны дополнительные критерии. Дополнительные критерии могут участвовать в классификации всего изображения на группы. В таком случае стоп-кадр уточняет информацию о группе в стеке наблюдений текущей сессии.

Каждый стоп-кадр может быть дополнительно проанализирован с помощью нейросети в течение нескольких секунд. Кроме всех рассчитанных ранее критериев нейросеть получает на вход само изображение. В результате, нейросеть может уточнить группу, к которой следует отнести наблюдаемое изменение структуры. Кроме того, нейросеть позволяет сделать локализованный прогноз гистологического заключения (карта рисков), тем самым подсказать, какой участок новообразования наиболее интересен для биопсии.

Критерии, вычисленные в рамках одной сессии, объединяются в одной классификационной таблице. Новообразование классифицируется на основании всего стека наблюдений по сессии. Критерии также связываются с помощью графа на основании одновременного присутствия на изображениях, в результате чего формируются типовые графы связности критериев для соответствующих групп новообразований. На выходе сессии пользователю предоставляется информация о наиболее близкой группе, сомнительных критериях, а также о необычных критериях; приводятся примеры аналогичных изображений.

Результаты исследования

Предложенный метод был апробирован на тестовой выборке 500 эндоскопических изображений. По классификации неоплазия/отсутствие неоплазии метод показал точность 90%, что соответствует результатам исследований мирового уровня. Стоит отметить, что в отличие от мировых аналогов, предложенный метод адаптирован к реализации в реальном времени.

В ходе разработки метода были созданы математические модели капилляров и желез на эндоскопических изображениях, графовая модель рисунка капилляров и желез, сеточная модель зоны риска и математическая модель классификации групп поражений.

Практическая значимость исследования
Разработанный метод лежит в основе системы поддержки принятия решений, созданной в рамках соглашения о предоставлении субсидии от 27.06.2014 № 14.576.21.0018. Внедрение системы позволит своевременно выбирать эффективную тактику лечения пациентов с подозрением на ранний рак желудка, а также точнее выявлять соответствующие случаи. Ожидается ускорение цикла обучения молодых специалистов за счет получения подсказок от системы поддержки принятия решений. Система также позволит автоматически формировать атласы эндоскопических изображений и готовить данные для обучения нейросетей с целью постоянного совершенствования модели классификации.
Презентация

Presentation_14.576.21.0018_IT.ppt