Нейросетевые решения на основе архитектуры U-Net для автоматической сегментации хрящевой ткани лучезапястного сустава на МР изображениях

Сегментация хрящевой ткани на трехмерных магнитно-резонансных (МР) изображениях используется в задачах определения стадии дегенеративных и воспалительных заболеваний суставов. Для лучезапястного сустава ручная сегментация является крайне трудоемкой задачей в связи с его сложным устройством. Это обусловливает актуальность разработки полностью автоматических методов сегментации. Единственный предложенный ранее автоматический метод основан на глубоком обучении. Он обеспечивает неоднородную точность сегментации в зависимости от положения среза внутри трехмерного изображения. Целью данной работы является повышение точности автоматической сегментации хрящевой ткани на боковых срезах МР изображений лучезапястного сустава при помощи применения глубоких сверточных нейронных сетей (СНС). В работе рассматривались две архитектуры СНС: классическая U-Net и усеченная версия U-Net, в которой был удален последний блок сверток в пути уменьшения размерности. Точность сегментации была оценена при помощи трехмерного и двумерного коэффициентов Соренсена-Дайса (DSC), а также при помощи расчета площади под кривой точность-полнота (AUC-PR). Результаты сравнивались с опубликованными ранее данными для автоматического метода сегментации хрящевой ткани лучезапястного сустава при помощи СНС, обученной на основе патчей, а также с опубликованными результатами для процедуры ручной сегментации. Использование архитектур на основе U-Net позволило значительно повысить точность автоматической сегментации. Усеченная архитектура U-Net показала наилучшую производительность в терминах времени (0.05 с на срез) и самую высокую точность сегментации (2D DSC=0.77, AUC-PR=0.844) среди рассмотренных СНС для тестовой выборки изображений. Для срезов, не содержащих хрящевую ткань, при использовании данной архитектуры коэффициент DSC повысился от 0.21 до 0.75. Таким образом, переход к использованию архитектуры на основе U-Net обеспечил более однородную сегментацию трехмерных изображений, чем метод с применением сверточной нейронной сети, обучавшейся на основе патчей.

1. Pap T., Korb-Pap A. Cartilage damage in osteoarthritis and rheumatoid arthritis—two unequal siblings. Nature Reviews Rheumatology. 2015;11(10):606–615. https://10.1038/nrrheum.2015.95

2. Moser T., Dosch J., Moussaoui A., Buy X., Gangi A., Dietemann J. Multidetector CT arthrography of the wrist joint: How to do it. RadioGraphics. 2008;28(3):787–800. DOI:10.1148/rg.283075087

3. Li A.E., Lee S.K., Rancy S.K., Burge A.J., Potter H.G., Wolfe S.W. Comparison of magnetic resonance imaging and radiographs for evaluation of carpal osteoarthritis. Journal of Wrist Surgery. 2017;6(2):120-125. DOI:10.1055/s-0036-1592140

4. Zink J.V., Souteyrand P., Guis S., Chagnaud C., Fur Y.L., Militianu D., et al. Standardized quantitative measurements of wrist cartilage in healthy humans using 3T magnetic resonance imaging. World journal of orthopedics. 2015;6(8):641-648. https://doi:10.5312/wjo.v6.i8.641

5. Peterfy C.G., van Dijke C.F., Lu Y., Nguyen A., Connick T.J., Kneeland J.B., et al. Quantification of the volume of articular cartilage in the metacarpophalangeal joints of the hand: accuracy and precision of three-dimensional MR imaging. American Journal of Roentgenology. 1995;165(2):371–375. https://10.2214/ajr.165.2.7618560

6. Dice L.R. Measures of the Amount of Ecologic Association Between Species. Ecology. 1945;26(3):297-302.

7. Prasoon A., Petersen K., Igel C., Lauze F., Dam E., Nielsen M. Deep feature learning for knee cartilage segmentation using a triplanar convolutional neural network. Advanced Information Systems Engineering. 2013;16(2):246-53. https://10.1007/978-3-642-40763-5_31

8. Panfilov E., Tiulpin A., Juntunen M., Casula V., Nieminen M., Saarakkala S. Automatic knee cartilage and menisci segmentation from 3D-DESS MRI using deep semi-supervised learning. Osteoarthritis and Cartilage. 2019;27(1):390–391. DOI:10.1016/j.joca.2019.02.391

9. Brui E., Efimtcev A.Y., Fokin V.A., Fernandez R., Levchuk A.G., Ogier A.C., et al. Deep learning‐based fully automatic segmentation of wrist cartilage in MR images. NMR in Biomedicine. 2020;33(8):1-13. DOI:10.1002/nbm.4320

10. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015. Lecture Notes in Computer Science. 2015;9351:234-241. DOI:10.1007/978-3-319-24574-4_28