Определение фолликулярного резерва яичников по данным ультразвукового исследования на основе методов машинного обучения

Обоснование. Овариальный резерв отражает способность женщины к успешной реализации репродуктивной функции. Оценка овариального резерва является актуальной задачей для клинической практики [1] и важна при проведении научных исследований. Использование методов компьютерной обработки диагностических изображений способно ускорить и облегчить выполнение рутинных задач в клинической практике. Их применение при ретроспективном анализе данных в научных целях позволяет повысить объективность исследования, дополнить его вспомогательной информацией [2].

Рассматриваемая задача локализации яичников и фолликулов на ультразвуковых снимках уже исследовалась в других работах. Например, Z. Chen и соавт. [3] применяли модель U-net для сегментации фолликулов на ультразвуковых снимках. А в статье V.K. Singh и соавт. [4] похожая задача решалась с использованием модификации U-net, называемой UNet++ [5], которая является очень популярной моделью для анализа медицинских изображений [6].

Цель — разработка моделей машинного обучения для анализа изображений яичников, полученных с аппарата ультразвуковой диагностики.

Материалы и методы. Для предварительного обучения моделей сегментации яичников и детекции фолликулов использовался открытый набор данных с размеченной областью яичника [7]. Затем для обучения и тестирования использовался собранный нами набор данных, который содержит разметку областей яичников и фолликулов. Всего в нём находится около 800 примеров 50 уникальных пациентов.

Локализация фолликулов на ультразвуковом снимке является сложной задачей, поэтому проектируемая система детектора была разделена на две части: сегментация яичника и детекция фолликулов внутри выделенной области. Это позволяет сконцентрировать внимание модели на области, где нет других органов и различных артефактов ультразвуковой диагностики, которые могут быть ложно восприняты как исследуемый объект. Для сегментации яичников мы использовали архитектуру UNet++ [5] с ResNeSt кодировщиком [8], который объединяет в себе механизмы внимания SE-Net [9] и SK-Net [10].

Для нахождения местоположения фолликулов внутри яичника используется модель детекции объектов, поскольку она позволяет произвести точный подсчёт количества фолликулов, даже если они перекрывают друг друга, чего не может сделать модель сегментации. В своей работе мы использовали YOLOv8 [11].

Кроме того, для улучшения качества предсказаний моделей использована предобработка данных: детекция и удаление области со вспомогательной информацией, снижение шума и аугментации.

Результаты. По результатам данной работы представлены две модели локализации яичников: модель сегментации с качеством IoU не менее 50% и модель детекции с качеством mAP не менее 65%. Модель для детекции фолликулов с последующим подсчётом их количества с ошибкой MAPE не выше 35%.

Заключение. В результате проведённого исследования было предложено, как применить методы машинного обучения для задачи анализа снимков ультразвуковых снимков. Разработанные модели сегментации и детекции уменьшают время и ошибки при анализе яичников и фолликулов на снимках. Использование механизма внимания и предобработки данных повышает качество моделей. Нейронная сеть для детекции фолликулов обеспечивает их подсчёт, даже при их перекрытии.