Использование искусственных нейронных сетей для выполнения сегментации рентгенограмм тазобедренного сустава при лечении остеоартрита

Процедура рентгенологического анализа в настоящее время позволяет выявить остеоартрит (ОА) на ранних стадиях заболевания. Наличие или отсутствие заболевания выявляется только на той стадии, когда оно уже проявилось и проведена рентгенологическая диагностика. Использование автоматизированных процедур анализа рентгенологических снимков, наличие архивов такой информации с длительной историей позволяют улучшить результаты прогнозирования осложнений у пациентов. В статье описывается опыт разработки приложения компьютерного анализа рентгенограмм, которое на основе методов глубокого обучения позволяет выявлять риски развития остеоартрита тазобедренного сустава. В качестве обучающей выборки используется архив профильного медицинского института. С целью увеличения размера обучающего набора рентгенограмм используется метод аугментации данных, который повышает вариативность исходных данных, в ряде случаев повышает эффективность распознавания. В работе используется конволюционная сеть (U-сеть), предназначенная для сегментации изображений, которая обучается на рентгенограммах конкретного медицинского учреждения. В рамках проекта по сегментации и анализу геометрических характеристик рентгеновских снимков тазобедренных суставов было разработано программное обеспечение, позволяющее автоматизировать распознавание размера суставной щели, что позволяет уточнить диагноз пациента, прогноз развития патологии.

1. Торшин И.Ю., Лила А.М., Загородний Н.В., Назаренко А.Г., Ткачева О.Н., Дудинская Е.Н., Алексеева Л.И., Таскина Е.А., Сарвилина И.В., Шавловская О.А., Данилов А.Б., Минасов Т.Б., Галустян А.Н., Малявская С.И., Громов А.Н., Егорова Е.Ю., Васильева Л.В., Евстратова E.Ф., Гоголева И.В., Федотова Л.Э., Удовика М.И., Максимов В.А., Повзун А.С., Громова О.А. Разработка верифицированной шкалы риска остеоартрита на основе кросс-секционного исследования клинико-анамнестических параметров и фармакологического анамнеза пациентов. Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2023;16(1):70–79.

2. Федонников А.С., Колесникова А.С., Рожкова Ю.Ю., Коссович Л.Ю. Система поддержки принятия врачебных решений в хирургии позвоночно-тазового комплекса как инструмент автоматизации управления в отрасли. Саратовский научно-медицинский журнал. 2019;15(3):677–682.

3. Johnson L.G., Bortolussi-Courval S., Chehil A., et al. Application of statistical shape modeling to the human hip joint: a scoping review. JBI Evidence Synthesis. 2023;21(3):533–583. DOI: 10.11124/JBIES-22-00175.

4. Kinds M.B., Marijnissen A.C.A., Vincken K.L., Viergever M.A., Drossaers-Bakker K.W., Bijlsma J.W.J., Bierma-Zeinstra S.M.A., Welsing P.M.J., Lafeber F.P.J.G. Evaluation of separate quantitative radiographic features adds to the prediction of incident radiographic osteoarthritis in individuals with recent onset of knee pain: 5-year follow-up in the CHECK cohort. Osteoarthritis and Cartilage. 2012;20(6):548–556. DOI: 10.1016/j.joca.2012.02.009.

5. Ivanov D.V., Kirillova I.V., Kossovich L.Yu. Biomechanics as a basis for clinical decision support systems in the surgery of the spine-pelvic complex. In: Advances in Solid and Fracture Mechanics. Advanced structured materials. 2022:99–126. URL: https://pureportal.spbu.ru/files/98221533/editor_HA_et_al_LAST.pdf (дата обращения: 6.10.2023). DOI: 10.1007/978-3-031-18393-5_7.

6. Homma Y., Baba T., Sumiyoshi Nobuhiko, Ochi H., Kobayashi Hideo, Matsumoto M., Yuasa T., Kaneko K. Rapid hip osteoarthritis development in a patient with anterior acetabular cyst with sagittal alignment change. Case Report in Orthopedics. 2014. DOI: 10.1155/2014/523426.

7. Daniel M. Mathematical simulation of the hip joint loading. PhD. Dissertation, Czech Technical University in Prague Faculty of Mechanical Engineering, Department of Mechanics, Laboratory of Biomechanics of Man. [Internet] 2004. URL: http://physics.fe.uni-lj.si/members/associate/disertation.pdf (дата обращения: 15.08.2023).

8. Gong Z., Fu Y., He M., et al. Automated identification of hip arthroplasty implants using artificial intelligence. Scientific Reports. 2022;12. DOI: 10.1038/s41598-022-16534-3.

9. Филист С.А., Кондрашов Д.С., Сухомлинов А.Ю., Шульга Л.В., Аль-Даррадж Ч.Х., Белозёров В.А. Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа. Моделирование, оптимизация и информационные технологии. 2023;11(1). URL: https://moitvivt.ru/ru/journal/pdf?id=1302. DOI: 10.26102/2310-6018/2023.40.1.021 (дата обращения: 15.10.2023).

10. Mustra M., Delac K., Grgic M. Overview of the DICOM standard. In: ELMAR, 2008. 50th International Symposium, 10-12 September 2008, Zadar, Croatia. IEEE; 2008. p. 39–44.

11. Lakhani P., Gray D.L., Pett C.R., et al. Hello world deep learning in medical imaging. Journal of Digital Imaging. 2018;31(3):283–289. DOI: 10.1007/s10278-018-0079-6.

12. Russell B.C., Torralba A., Murphy K.P., Freeman W.T. LabelMe: A database and web-based tool for image annotation. International Journal of Computer Vision. 2008;77(1):157–173. DOI: 10.1007/s11263-007-0090-8.

13. Ronneberger O., Fischer Ph., Brox T. U-Net: Convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015: 18th International Conference, 5-9 October 2015, München, Germany. Springer; 2015. p. 234–241.

14. Siddique N., Paheding S., Elkin C.P., Devabhaktuni V. U-Net and its variants for medical image segmentation: a review of theory and applications. IEEE Access. 2021;9:82031–82057. DOI: 10.1109/ACCESS.2021.3086020.