Контакты
Авторам
Рекламодателям
Редколлегия
Подписка
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,
e-mail:
smishinov@yandex.ru
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