Штучний інтелект

Анотація: У статті розглядається застосування методів напівкерованого навчання та комп’ютерного зору для сегментації МРТ-зображень хребта та діагностики деформації міжхребцевих дисків. Оглянуто існуючі архітектури нейронних мереж для сегментації МРТ-зображень хребта та методи напівкерованого навчання, які використовуються при сегментації медичних зображень. Запропоновано систему діагностики деформації міжхребцевих дисків, яка складається з двох модулів: модуля сегментації та модуля діагностування. Наведено реалізацію запропонованої системи, що використовує дві згорткові нейронні мережі: U-Net для сегментації МРТ-зображень хребта та ResNet для класифікації ступеня деформації кожного міжхребцевого диска на основі класифікації дегенеративних змін за Pfirrmann. Розроблено програмну реалізацію медичної системи діагностики на мові програмування Python з використанням бібліотеки PyTorch. Виконано навчання нейронних мереж на відкритому наборі даних МРТ-зображень хребта з використанням різновиду методу напівкерованого навчання Mean Teacher. У результаті перевірки було виявлено, що система здатна виконувати сегментацію з високою точністю. Виявлено, що точне визначення класу дегенеративних змін за Pfirrmann залишається складним завданням, однак введення іншої класифікації дозволило підвищити точність діагностики деформації міжхребцевих дисків. Запропонована медична система передбачає додавання нових модулів діагностування, що робить можливим її застосування для комплексного аналізу різних захворювань хребта.

Ключові слова: згорткова нейронна мережа, МРТ хребта, деформація міжхребцевих дисків, напівкероване навчання, комп’ютерний зір, сегментація зображень, класифікація зображень

Посилання:

1. Qu, B., Cao, J., Qian, C., Wu, J., Lin, J., Wang, L., & Qu, X. (2022). Current development and prospects of deep learning in spine image analysis: a literature review. Quantitative Imaging in Medicine and Surgery, 12(6), 3454.
2. Guinebert, S., Petit, E., Bousson, V., Bodard, S., Amoretti, N., & Kastler, B. (2022). Automatic semantic segmentation and detection of vertebras and intervertebral discs by neural networks. Computer Methods and Programs in Biomedicine Update, 2, 100055.
3. Zhang, D., Chen, B., & Li, S. (2021). Sequential conditional reinforcement learning for simultaneous vertebral body detection and segmentation with modeling the spine anatomy. Medical image analysis, 67, 101861.
4. Huang, J., Shen, H., Wu, J., Hu, X., Zhu, Z., Lv, X., ... & Wang, Y. (2020). Spine Explorer: a deep learning based fully automated program for efficient and reliable quantifications of the vertebrae and discs on sagittal lumbar spine MR images. The Spine Journal, 20(4), 590-599.
5. Hong, Y., Wei, B., Han, Z., Li, X., Zheng, Y., & Li, S. (2020). MMCL-Net: spinal disease diagnosis in global mode using progressive multi-task joint learning. Neurocomputing, 399, 307-316.
6. Suri, A., Jones, B. C., Ng, G., Anabaraonye, N., Beyrer, P., Domi, A., ... & Rajapakse, C. S. (2021). A deep learning system for automated, multi-modality 2D segmentation of vertebral bodies and intervertebral discs. Bone, 149, 115972.
7. Gao, S., Zhang, Z., Ma, J., Li, Z., & Zhang, S. (2023, October). Correlation-Aware Mutual Learning for Semi-supervised Medical Image Segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention, 98-108.
8. Wei, Q., Yu, L., Li, X., Shao, W., Xie, C., Xing, L., & Zhou, Y. (2023, October). Consistency-Guided Meta-learning for Bootstrapping Semi-supervised Medical Image Segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention, 183-193.
9. Bai, Y., Chen, D., Li, Q., Shen, W., & Wang, Y. (2023). Bidirectional copy-paste for semi-supervised medical image segmentation. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 11514-11524.
10. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. Medical image computing and computer-assisted intervention–MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18 (pp. 234-241). Springer International Publishing.
11. Tarvainen, A., & Valpola, H. (2017). Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results. Advances in neural information processing systems, 30.
12. Van der Graaf, J. W., van Hooff, M. L., Buckens, C. F., Rutten, M., van Susante, J. L., Kroeze, R. J., ... & Lessmann, N. (2024). Lumbar spine segmentation in MR images: a dataset and a public benchmark. Scientific Data, 11(1), 264.