Архив номеров
Медицинская Техника / Медицинская техника №4, 2021 / с. 52-55

Идентификация увеличения желудочковой системы головного мозга при помощи машинного обучения

С.В. Мишинов, А.И. Демянчук, Е.В. Пушкина, В.В. Ступак, Т.М. Фатыхов, Н.Е. Русских, Д.Н. Штокало


Аннотация

Глубокое обучение – это активно развивающаяся технология, являющаяся частью более широкой области – машинного обучения, использование которого в медицине с каждым годом все интенсивнее исследуется во всем мире. Оценка работы алгоритма по выявлению расширения желудочковой системы головного мозга проводилась на примере 200 серий цифровых изображений МРТ головного мозга, выполненных в Т2-взвешенном режиме в аксиальной плоскости. Имеющиеся цифровые данные делились на три части: 1) тренировочную – для обучения; 2) валидационную – для остановки обучения и выбора модели по наилучшему параметру; 3) тестовую – для подсчета метрик качества модели. Показатели точности предсказания искомого отклонения от нормы – увеличения желудочковой системы – составили 97,5 %. Показатели чувствительности составили 96,3 % и специфичности – 98,1 % соответственно.


Вернуться к содержанию

Сведения об авторах

Сергей Валерьевич Мишинов, канд. мед. наук, ст. научный сотрудник, врач-нейрохирург, отделение нейрохирургии № 1, ФГБУ «НИИ Травматологии и ортопедии им. Я.Л. Цивьяна» МЗ РФ, г. Новосибирск,
Алексей Иванович Демянчук, научный сотрудник, Hannover Medical School, MHH. Clinic of Laryngology, Rhinology and Otology, Hannover, Germany,
Екатерина Владимировна Пушкина, врач лучевой диагностики, АНО «Клиника НИИТО»,
Вячеслав Владимирович Ступак, д-р мед. наук, профессор, начальник, научно-исследовательское отделение нейрохирургии, ФГБУ «НИИ Травматологии и ортопедии им. Я.Л. Цивьяна» МЗ РФ,
Тимур Маратович Фатыхов, старший дата-аналитик, ЗАО «Золотая корона»,
Николай Евгеньевич Русских, начальник, отдел машинного обучения,
Дмитрий Николаевич Штокало, директор, ООО «АкадемДжин», г. Новосибирск,

Список литературы

1. Rekate H.L. The definition and classification of hydrocephalus: A personal recommendation to stimulate debate // Cerebrospinal Fluid Research. 2008. Vol. 5. № 1. PP. 1-7.
2. Adams R., Fisher C., Hakim S. et al. Symptomatic occult hydrocephalus with normal cerebrospinal fluid pressure: A treatable syndrome // New England Journal of Medicine. 1965. Vol. 273. № 3. PP. 117-126.
3. Bir S.C., Patra D.P., Maiti T.K. et al. Epidemiology of adult- onset hydrocephalus: Institutional experience with 2001 patients // Neurosurgical Focus. 2016. Vol. 41. № 3. E5.
4. Dewan M.C., Rattani A., Mekary R. et al. Global hydrocephalus epidemiology and incidence: Systematic review and meta- analysis // Journal of Neurosurgery. 2018. Vol. 130. № 4. PP. 1065-1079.
5. Martin-Laez R., Caballero-Arzapalo H., Lopez-Menendez L.A. et al. Epidemiology of idiopathic normal pressure hydrocephalus: A systematic review of the literature // World Neurosurgery. 2015. Vol. 84. № 6. PP. 2002-2009.
6. Klassen B.T., Ahlskog J.E. Normal pressure hydrocephalus: How often does the diagnosis hold water? // Neurology. 2011. Vol. 77. № 12. PP. 1119-1125.
7. Lam S., Reddy G.D., Lin Y. et al. Management of hydrocephalus in children with posterior fossa tumors // Surgical Neurology International. 2015. Vol. 6. Suppl. 11. PP. 346-348.
8. Dorner L., Fritsch M.J., Stark A.M. et al. Posterior fossa tumors in children: How long does it take to establish the diagnosis? // Child’s Nervous System. 2007. Vol. 23. № 8. PP. 887-890.
9. Prasad K.S.V., Ravi D., Pallikonda V. et al. Clinicopathological study of pediatric posterior fossa tumors // Journal of Pediatric Neurosciences. 2017. Vol. 12. № 3. PP. 245-250.
10. Prabhuraj A., Sadashiva N., Kumar S. et al. Hydrocephalus associated with large vestibular schwannoma: Management options and factors predicting requirement of cerebrospinal fluid diversion after primary surgery // Journal of Neurosciences in Rural Practice. 2017. Vol. 8. Suppl. 1. PP. 27-32.
11. Hu J., Western S., Kesari S. Brainstem glioma in adults // Frontiers in Oncology. 2016. Vol. 6. P. 180.
12. Murphy K.P. Machine learning: A probabilistic perspective. – The MIT Press; Illustrated edition, 2012. 1104 p.
13. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks // Advances in neural information processing systems. 2012. Vol. 25. PP. 1097-1105.
14. Kohli M., Prevedello L.M., Filice R.W. et al. Implementing machine learning in radiology practice and research // American Journal of Roentgenology. 2017. Vol. 208. № 4. PP. 754-760.
15. Erickson B.J., Korfiatis P., Akkus Z. et al. Machine learning for medical imaging // RadioGraphics. 2017. Vol. 37. № 2. PP. 505-515.
16. Lakhani P., Sundaram B. Deep learning at chest radiography: Automated classification of pulmonary tuberculosis by using convolutional neural networks // Radiology. 2017. Vol. 284. № 2. PP. 574-582.
17. Zhang N., Yang G., Gao Z. et al. Deep learning for diagnosis of chronic myocardial infarction on nonenhanced cardiac cine MRI // Radiology. 2019. Vol. 291. № 3. PP. 606-617.
18. Soffer S., Ben-Cohen A., Shimon O. et al. Convolutional neural networks for radiologic images: A radiologist’s guide // Radiology. 2019. Vol. 290. № 3. PP. 590-606.
19. Cicero M., Bilbily A., Colak E. et al. Training and validating a deep convolutional neural network for computer-aided detection and classification of abnormalities on frontal chest radiographs // Investigative Radiology. 2017. Vol. 52. № 5. PP. 281-287.
20. Yosinski J., Clune J., Bengio Y. et al. How transferable are features in deep neural networks? / NIPS’14: Proceedings of the 27th International Conference on Neural Information Processing Systems. 2014. Vol. 2. PP. 3320-3328.
21. Russakovsky O., Deng J., Su H. et al. Imagenet large scale visual recognition challenge // International Journal of Computer Vision. 2015. Vol. 115. № 3. PP. 211-252.
22. Selvaraju R.R., Cogswell M., Das A. et al. Grad-cam: Visual explanations from deep networks via gradient-based localization / Proceedings of the IEEE International Conference on Computer Vision. 2017. PP. 618-626.
23. Komotar R.J., Starke R.M., Connolly E.S. Brain magnetic resonance imaging scans for asymptomatic patients: Role in medical screening // Mayo Clinic Proceedings. 2008. Vol. 83. № 5. PP. 563-565.
24. Vernooij M.W., Ikram M.A., Tanghe H.L. et al. Incidental findings on brain MRI in the general population // New England Journal of Medicine. 2007. Vol. 357. № 18. PP. 1821-1828.
25. Brugulat-Serrat A., Rojas S., Bargallo N. et al. Incidental findings on brain MRI of cognitively normal first-degree descendants of patients with alzheimer’s disease: A cross- sectional analysis from the alfa (alzheimer and families) project // BMJ open. 2017. Vol. 7. № 3. e013215.
26. Celtikci E. A Systematic review on machine learning in neurosurgery: The future of decision-making in patient care // Turkish Neurosurgery. 2018. Vol. 28. № 2. PP. 167-173.
27. Azimi P., Mohammadi H.R. Predicting endoscopic third ventriculostomy success in childhood hydrocephalus: An artificial neural network analysis // Journal of Neurosurgery Pediatrics. 2014. Vol. 13. PP. 426-432.
28. Habibi Z., Ertiaei A., Nikdad M.S. et al. Predicting ventriculoperitoneal shunt infection in children with hydrocephalus using artificial neural network // Child’s Nervous System. 2016. Vol. 32. PP. 2143-2151