Оценка диагностической ценности глубокого машинного обучения для автоматизированной сегментации паренхимы поджелудочной железы и ее гипо- и гиперваскулярных образований по КТ-изображениям с помощью U-net нейросети

Цель исследования: создание и оценка эффективности технологии сегментации паренхимы поджелудочной железы (ПЖ), а также сегментации и детекции ее гипер- и гиповаскулярных образований на компьютерных томограммах органов брюшной полости с использованием глубокого машинного обучения.

Материал и методы. Для обучения алгоритмов были использованы КТ-исследования из базы данных НМИЦ хирургии им. А.В. Вишневского – общий объем около 150 исследований (артериальная и портальная фазы исследования). Для валидации полученных алгоритмов был подготовлен тестовый набор данных из 46 анонимизированных КТ-исследований (артериальная и портальная фазы исследования), независимо оцененных врачами-экспертами. В качестве основной сегментационной нейросети (ИНС) используется nn-UNet (M. Antonelli и соавт., 2022)..

Результаты. Средняя точность тестового набора данных для модели, определяющей сегментационные маски ПЖ на КТ-изображениях, AUC составила – 0,8 для портальной фазы и – 0,85 для артериальной фазы, сегментационные маски образований поджелудочной железы – 0,6.

Заключение. Автоматизированная сегментация структуры паренхимы ПЖ с использованием технологий глубокого машинного обучения показала высокую точность. Сегментация гипо- и гиперваскулярных образований ПЖ требует совершенствования. Совпадение масок показало достаточно низкий результат, однако во всех случаях место расположения патологического образования было отмечено алгоритмом правильно. Совершенствование обучающего дата-сета и используемого алгоритма может увеличить точность алгоритма. При детекции образований ПЖ ложноотрицательных результатов получено не было, во всех случаях ИНС детектировала “подозрительные” области паренхимы ПЖ. Это может помочь снизить пропуски патологий ПЖ по компьютерным томограммам, а дальнейшую их оценку может осуществлять сам врач-рентгенолог.

1. Isensee F., Petersen J., Klein A. et al. nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation. arXiv; 2018; 2. https://arxiv.org/abs/1809.10486 .https://doi.org/10.48550/arXiv.1809.10486

2. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv; 2015; 2. https://arxiv.org/abs/1505.04597. https://doi.org/10.48550/arXiv.1505.04597

3. Kenner B., Chari S.T., Kelsen D. et al. Artificial Intelligence and Early Detection of Pancreatic Cancer: 2020 Summative Review. Pancreas. 2021; 50 (3): 251–279. https://doi.org/10.1097/MPA.0000000000001762

4. Mello-Thoms C., Mello C.A.B. Clinical applications of artificial intelligence in radiology. Br. J. Radiol. 2023; 96 (1150): 20221031. https://doi.org/10.1259/bjr.20221031

5. Anghel C., Grasu M.C., Anghel D.A. et al. Pancreatic Adenocarcinoma: Imaging Modalities and the Role of Artificial Intelligence in Analyzing CT and MRI Images. Diagnostics (Basel). 2024; 14 (4): 438. https://doi:10.3390/diagnostics14040438

6. Chu L.C., Park S., Kawamoto S. et al. Application of Deep Learning to Pancreatic Cancer Detection: Lessons Learned From Our Initial Experience. J. Am. Coll. Radiol. 2019; 16 (9 Pt B): 1338–1342. https://doi:10.1016/j.jacr.2019.05.034

7. Zou K.H., Warfield S.K., Bharatha A. et al. Statistical validation of image segmentation quality based on a spatial overlap index. Academic radiology. 2004; 11 (2): 178–189. https://doi.org/10.1016/s1076-6332(03)00671-8

8. Ni H., Zhou G., Chen X. et al. Predicting Recurrence in Pancreatic Ductal Adenocarcinoma after Radical Surgery Using an AX-Unet Pancreas Segmentation Model and Dynamic Nomogram. Bioengineering (Basel). 2023; 10 (7): 828. https://doi:10.3390/bioengineering10070828

9. Mahmoudi T., Kouzahkanan Z.M., Radmard A.R. et al. Segmentation of pancreatic ductal adenocarcinoma (PDAC) and surrounding vessels in CT images using deep convolutional neural networks and texture descriptors. Sci. Rep. 2022; 12 (1): 3092. https://doi:10.1038/s41598-022-07111-9

10. Antonelli M., Reinke A., Bakas S. et al. The Medical Segmentation Decathlon. Nat. Commun. 2022; 13 (1): 4128. https://doi.org/10.1038/s41467-022-30695-9

11. Li J., Qi L., Chen Q. et al. A dual meta-learning framework based on idle data for enhancing segmentation of pancreatic cancer. Medical Image Analysis. 2022; 78: 102342. https://doi.org/10.1016/j.media.2021.102342

12. Miao Q., Wang X., Cui J. et al. Artificial intelligence to predict T4 stage of pancreatic ductal adenocarcinoma using CT imaging. Comput. Biol. Med. 2024; 171: 108125. https://doi:10.1016/j.compbiomed.2024.108125

13. Tikhonova V.S., Karmazanovsky G.G., Kondratyev E.V. et al. Radiomics model-based algorithm for preoperative prediction of pancreatic ductal adenocarcinoma grade. Eur. Radiol. 2023; 33 (2): 1152–1161. https://doi:10.1007/s00330-022-09046-1

14. Alves N., Schuurmans M., Litjens G. et al. Fully Automatic Deep Learning Framework for Pancreatic Ductal Adenocarcinoma Detection on Computed Tomography. Cancers (Basel). 2022; 14 (2): 376. https://doi:10.3390/cancers14020376

15. Fedorov A., Beichel R., Kalpathy-Cramer J. et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 2012; 30 (9): 1323–1341. https://doi.org/10.1016/j.mri.2012.05.001

16. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networksfor biomedical image segmentation, in Medical Image Computing and Computer-Assisted Intervention. MICCAI; 2015, Springer, 9351 (2015): 234–241. https://doi.org/10.1007/978-3-319-24574-4_28

17. Wasserthal J., Breit H.C., Meyer M.T. et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol. Artif. Intell. 2023; 5 (5): e230024. https://doi.org/10.1148/ryai.230024

18. Roth H., Farag A., Turkbey E.B. et al.. Data From Pancreas-CT (Version 2) [Data set]. The Cancer Imaging Archive. 2016. https://doi.org/10.7937/K9/TCIA.2016.tNB1kqBU

19. Cai Y., Long Y., Han Z. et al. Swin Unet3D: a three-dimensional medical image segmentation network combining vision transformer and convolution. BMC Med. Inform. Deci.s Mak. 2023; 23 (1): 33. https://doi.org/10.1186/s12911-023-02129-z