Перспективы применения компьютерного зрения для выявления камней в мочевыделительной системе и новообразований печени и почек на изображениях компьютерной томографии органов брюшной полости и забрюшинного пространства

Обложка

Цитировать

Полный текст

Аннотация

В работе представлен селективный обзор литературы, посвящённый использованию алгоритмов компьютерного зрения для диагностики новообразований печени и почек, а также камней в мочевыделительной системе на изображениях компьютерной томографии органов брюшной полости и забрюшинного пространства.

В обзор были включены статьи, опубликованные за период с 01.01.2020 по 24.04.2023 гг.

В задаче сегментации печени и её новообразований алгоритмы, оперирующие пикселями, показали наибольшие значения параметров диагностической точности (точность достигает 99,6%; коэффициент сходства Дайса — 0,99). Задачи классификации новообразований печени на текущий момент лучше решаются воксельными алгоритмами (точность до 82,5%).

Сегментация почек и их новообразований, а также классификация опухолей почек одинаково хорошо выполняются алгоритмами, анализирующими как пиксели, так и воксели (точность достигает 99,3%, коэффициент сходства Дайса — 0,97).

Алгоритмы компьютерного зрения в настоящее время также способны с высокой степенью точности определять конкременты в мочевыделительной системе размерами от 3 мм (точность достигает 93,0%).

Таким образом, существующие алгоритмы компьютерного зрения позволяют не только эффективно выявлять новообразования печени и почек, а также конкременты в мочевыделительной системе, но и с высокой точностью определять их количественные и качественные характеристики.

Более высокая точность определения вида новообразования может быть достигнута за счёт оценки воксельных данных, поскольку в этом случае алгоритм анализирует новообразование полностью в трёх измерениях, а не только в плоскости одного среза.

Об авторах

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий; Национальный медико-хирургический Центр имени Н.И. Пирогова

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-0208-5218
SPIN-код: 4458-5608

канд. мед. наук

Россия, Москва; Москва

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий; Первый Московский государственный медицинский университет имени И.М. Сеченова

Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук, профессор

Россия, Москва; Москва

Кирилл Михайлович Арзамасов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ArzamasovKM@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
SPIN-код: 3160-8062

канд. мед. наук

Россия, Москва

Давид Уружбегович Шихмурадов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ShikhmuradovDU@zdrav.mos.ru
ORCID iD: 0000-0003-1597-5786
SPIN-код: 9641-0913

MD

Россия, Москва

Андрей Вячеславович Панкратов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: PankratovAV3@zdrav.mos.ru
ORCID iD: 0009-0008-4741-4530

MD

Россия, Москва

Илья Владимирович Ульянов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: UlyanovIV2@zdrav.mos.ru
ORCID iD: 0000-0002-8330-6069
SPIN-код: 5898-3242

MD

Россия, Москва

Николай Борисович Нечаев

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: NechaevNB@zdrav.mos.ru
ORCID iD: 0009-0007-9219-7726
SPIN-код: 3232-1545

канд. мед. наук

Россия, Москва

Список литературы

  1. Ильяшенко О.Ю., Лукьянченко Е.Л. Возможности применения компьютерного зрения для аналитики данных в медицине // Известия Саратовского университета. Новая серия. Серия : Математика. Механика. Информатика. 2022. Т. 22, № 2. С. 224–232. EDN: MCSLKQ doi: 10.18500/1816-9791-2022-22-2-224-232
  2. Алексеева М.Г., Зубов А.И., Новиков М.Ю. Искусственный интеллект в медицине // Международный научно-исследовательский журнал. 2022. Т. 7, № 121. C. 10–13. EDN: JMMMDF doi: 10.23670/IRJ.2022.121.7.038
  3. Гусев А.В., Владзимирский А.В., Шарова Д.Е., Арзамасов К.М., Храмов А.Е. Развитие исследований и разработок в сфере технологий искусственного интеллекта для здравоохранения в Российской Федерации: итоги 2021 года // Digital Diagnostics. 2022. Т. 3, № 3. C. 178–194. EDN: KHWQWZ doi: 10.17816/DD107367
  4. Wang L., Wang H., Huang Y., et al. Trends in the application of deep learning networks in medical image analysis: Evolution between 2012 and 2020 // Eur J Radiol. 2022. Vol. 146. P. 110069. doi: 10.1016/j.ejrad.2021.110069
  5. Alrefai N., Ibrahim O. AI Deep learning-based cancer classification for microarray data: A systematic review // Journal of Theoretical and Applied Information Technology. 2021. Vol. 99. P. 2312–2332. doi: 10.5281/zenodo.6126510
  6. Клинические испытания систем искусственного интеллекта (лучевая диагностика) / под ред. Ю.А. Васильева, А.В. Владзимирского, Д.Е. Шаровой, и др. Москва : ГБУЗ «НПКЦ ДиТ ДЗМ», 2023. EDN: PUIJLD
  7. Lee J., Kim K.W., Kim S.Y., et al. Automatic detection method of hepatocellular carcinomas using the non-rigid registration method of multi-phase liver CT images // J Xray Sci Technol. 2015. Vol. 23, N 3. P. 275–288. doi: 10.3233/XST-150487
  8. Patel B.N., Boltyenkov A.T., Martinez M.G., et al. Cost-effectiveness of dual-energy CT versus multiphasic single-energy CT and MRI for characterization of incidental indeterminate renal lesions // Abdom Radiol (NY). 2020. Vol. 45, N 6. P. 1896–1906. doi: 10.1007/s00261-019-02380-x
  9. Marrero J.A., Kulik L.M., Sirlin C.B., et al. Diagnosis, Staging, and Management of Hepatocellular Carcinoma: 2018 Practice Guidance by the American Association for the Study of Liver Diseases // Hepatology. 2018. Vol. 68, N 2. P. 723–750. doi: 10.1002/hep.29913
  10. Ayuso C., Rimola J., Vilana R., et al. Diagnosis and staging of hepatocellular carcinoma (HCC): current guidelines // Eur J Radiol. 2018. Vol. 101. P. 72–81. doi: 10.1016/j.ejrad.2018.01.025
  11. Клинические рекомендации — Рак печени (гепатоцеллюлярный). ID 1. Одобрено Научно-практическим Советом Минздрава РФ. 2022. Режим доступа: https://cr.minzdrav.gov.ru/schema/1_3 Дата обращения: 03.04.2023
  12. Rahman H., Bukht T.F.N., Imran A., et al. A Deep Learning Approach for Liver and Tumor Segmentation in CT Images Using ResUNet // Bioengineering (Basel). 2022. Vol. 9, N 8. P. 368. doi: 10.3390/bioengineering9080368
  13. Maqsood M., Bukhari M., Ali Z., et al. A Residual-Learning-Based Multi-Scale Parallel-Convolutions- Assisted Efficient CAD System for Liver Tumor Detection // Mathematics. 2021. Vol. 9, N 10. P. 1133. doi: 10.3390/math9101133
  14. Khan R.A., Luo Y., Wu F.X. RMS-UNet: Residual multi-scale UNet for liver and lesion segmentation // Artif Intell Med. 2022. Vol. 124. P. 102231. doi: 10.1016/j.artmed.2021.102231
  15. Affane A., Kucharski A., Chapuis P., et al. Segmentation of Liver Anatomy by Combining 3D U-Net Approaches // Applied Sciences. 2021. Vol. 11, N 11. P. 4895. doi: 10.3390/app11114895
  16. Han X., Wu X., Wang S., et al. Automated segmentation of liver segment on portal venous phase MR images using a 3D convolutional neural network // Insights Imaging. 2022. Vol. 13, N 1. P. 26. doi: 10.1186/s13244-022-01163-1
  17. Wang J., Zhang X., Guo L., et al. Multi-scale attention and deep supervision-based 3D UNet for automatic liver segmentation from CT // Math Biosci Eng. 2023. Vol. 20, N 1. P. 1297–1316. doi: 10.3934/mbe.2023059
  18. Kashala K.G., Song Y., Liu Z. Optimization of FireNet for Liver Lesion Classification // Electronics. 2020. Vol. 9, N 8. P. 1237. doi: 10.3390/electronics9081237
  19. Trivizakis E., Manikis G.C., Nikiforaki K., et al. Extending 2-D Convolutional Neural Networks to 3-D for Advancing Deep Learning Cancer Classification With Application to MRI Liver Tumor Differentiation // IEEE J Biomed Health Inform. 2019. Vol. 23, N 3. P. 923–930. doi: 10.1109/JBHI.2018.2886276
  20. Zhou J., Wang W., Lei B., et al. Automatic Detection and Classification of Focal Liver Lesions Based on Deep Convolutional Neural Networks: A Preliminary Study // Front Oncol. 2021. Vol. 10. P. 581210. doi: 10.3389/fonc.2020.581210
  21. Rela M., Rao S.N., Patil R.R. Performance analysis of liver tumor classification using machine learning algorithms // International Journal of Advanced Technology and Engineering Exploration. 2022. Vol. 9, N 86. P. 143–154. doi: 10.19101/IJATEE.2021.87465
  22. Oberai A., Varghese B., Cen S., et al. Deep learning based classification of solid lipid-poor contrast enhancing renal masses using contrast enhanced CT // Br J Radiol. 2020. Vol. 93, N 1111. P. 20200002. doi: 10.1259/bjr.20200002
  23. Lin Z., Cui Y., Liu J., et al. Automated segmentation of kidney and renal mass and automated detection of renal mass in CT urography using 3D U-Net-based deep convolutional neural network // Eur Radiol. 2021. Vol. 31, N 7. P. 5021–5031. doi: 10.1007/s00330-020-07608-9
  24. Toda N., Hashimoto M., Arita Y., et al. Deep Learning Algorithm for Fully Automated Detection of Small (≤4 cm) Renal Cell Carcinoma in Contrast-Enhanced Computed Tomography Using a Multicenter Database // Invest Radiol. 2022. Vol. 57, N 5. P. 327–333. doi: 10.1097/RLI.0000000000000842
  25. Ding Y., Chen Z., Wang Z., et al. Three-dimensional deep neural network for automatic delineation of cervical cancer in planning computed tomography images // J Appl Clin Med Phys. 2022. Vol. 23, N 4. P. e13566. doi: 10.1002/acm2.13566
  26. Zhu X.L., Shen H.B., Sun H., et al. Improving segmentation and classification of renal tumors in small sample 3D CT images using transfer learning with convolutional neural networks // Int J Comput Assist Radiol Surg. 2022. Vol. 17, N 7. P. 1303–1311. doi: 10.1007/s11548-022-02587-2
  27. Hsiao C.H., Sun T.L., Lin P.C., et al. A deep learning-based precision volume calculation approach for kidney and tumor segmentation on computed tomography images // Comput Methods Programs Biomed. 2022. Vol. 221. P. 106861. doi: 10.1016/j.cmpb.2022.106861
  28. Hsiao C.H., Lin P.C., Chung L.A., et al. A deep learning-based precision and automatic kidney segmentation system using efficient feature pyramid networks in computed tomography images // Comput Methods Programs Biomed. 2022. Vol. 221. P. 106854. doi: 10.1016/j.cmpb.2022.106854
  29. Islam M.N., Hasan M., Hossain M.K., et al. Vision transformer and explainable transfer learning models for auto detection of kidney cyst, stone and tumor from CT-radiography // Sci Rep. 2022. Vol. 12, N 1. P. 11440. doi: 10.1038/s41598-022-15634-4
  30. Yang L., Gao L., Arefan D., et al. A CT-based radiomics model for predicting renal capsule invasion in renal cell carcinoma // BMC Med Imaging. 2022. Vol. 22, N 1. P. 15. doi: 10.1186/s12880-022-00741-5
  31. Shehata M., Alksas A., Abouelkheir R.T., et al. A Comprehensive Computer-Assisted Diagnosis System for Early Assessment of Renal Cancer Tumors // Sensors (Basel). 2021. Vol. 21, N 14. P. 4928. doi: 10.3390/s21144928
  32. Куликовский В.Ф., Шкодкин С.В., Батищев С.А., и др. Современные представления о эпидемиологии и патогенезе уролитиаза // Научный результат. Медицина и фармация. 2016. Т. 2, № 4. С. 4–12. EDN: NSGAXL doi: 10.18413/2313-8955-2016-2-4-4-12
  33. Gadzhiev N., Prosyannikov M., Malkhasyan V., et al. Urolithiasis prevalence in the Russian Federation: analysis of trends over a 15-year period // World J Urol. 2021.Vol. 39, N 10. P. 3939–3944. doi: 10.1007/s00345-021-03729-y
  34. Урология. Российские клинические рекомендации / под ред. Ю.Г. Аляева, П.В. Глыбочко, Д.Ю. Пушкаря. Москва : ГЭОТАРМедиа, 2016.
  35. Caglayan A., Horsanali M.O., Kocadurdu K., et al. Deep learning model-assisted detection of kidney stones on computed tomography // Int Braz J Urol. 2022. Vol. 48, N 5. P. 830–839. doi: 10.1590/S1677-5538.IBJU.2022.0132
  36. Elton D.C., Turkbey E.B., Pickhardt P.J., Summers R.M. A deep learning system for automated kidney stone detection and volumetric segmentation on noncontrast CT scans // Med Phys. 2022. Vol. 49, N 4. P. 2545–2554. doi: 10.1002/mp.15518
  37. He Z., An L., Chang Z., Wu W. Comment on “Deep learning computer vision algorithm for detecting kidney stone composition” // World J Urol. 2021. Vol. 39, N 1. P. 291. doi: 10.1007/s00345-020-03181-4
  38. Doyle P.W., Kavoussi N.L. Machine learning applications to enhance patient specific care for urologic surgery // World J Urol. 2022. Vol. 40, N 3. P. 679–686. doi: 10.1007/s00345-021-03738-x
  39. Neymark A.I., Neymark B.A., Ershov A.V., et al. The use of intelligent analysis (IA) in determining the tactics of treating patients with nephrolithiasis // Urologia Journal. 2023. N 3915603231162881. doi: 10.1177/03915603231162881
  40. Kadlec A.O., Ohlander S., Hotaling J., et al. Nonlinear logistic regression model for outcomes after endourologic procedures: a novel predictor // Urolithiasis. 2014. Vol. 42, N 4. P. 323–330. doi: 10.1007/s00240-014-0656-1
  41. Black K.M., Law H., Aldoukhi A., et al. Deep learning computer vision algorithm for detecting kidney stone composition // BJU Int. 2020. Vol. 125, N 6. P. 920–924. doi: 10.1111/bju.15035
  42. Zhang G.M., Sun H., Xue H.D., et al. Prospective prediction of the major component of urinary stone composition with dual-source dual-energy CT in vivo // Clin Radiol. 2016. Vol. 71, N 11. P. 1178–1183. doi: 10.1016/j.crad.2016.07.012
  43. Chaytor R.J., Rajbabu K., Jones P.A., McKnight L. Determining the composition of urinary tract calculi using stone-targeted dual-energy CT: evaluation of a low-dose scanning protocol in a clinical environment // Br J Radiol. 2016. Vol. 89, N 1067. P. 20160408. doi: 10.1259/bjr.20160408
  44. Капанадзе Л.Б., Серова Н.С., Руденко В.И. Аспекты применения двухэнергетической компьютерной томографии в диагностике мочекаменной болезни // REJR. 2017. Т. 7, № 3. С. 165–173. EDN: ZWBLYL doi: 10.21569/2222-7415-2017-7-3-165-173
  45. Cui Y., Sun Z., Ma S., et al. Automatic Detection and Scoring of Kidney Stones on Noncontrast CT Images Using S.T.O.N.E. Nephrolithometry: Combined Deep Learning and Thresholding Methods // Mol Imaging Biol. 2021. Vol. 23, N 3. P. 436–445. doi: 10.1007/s11307-020-01554-0
  46. Okhunov Z., Friedlander J.I., George A.K., et al. S.T.O.N.E. nephrolithometry: novel surgical classification system for kidney calculi // Urology. 2013. Vol. 81, N 6. P. 1154–1159. doi: 10.1016/j.urology.2012.10.083
  47. Yildirim K., Bozdag P.G., Talo M., et al. Deep learning model for automated kidney stone detection using coronal CT images // Comput Biol Med. 2021. Vol. 135. P. 104569. doi: 10.1016/j.compbiomed.2021.104569
  48. Коденко М.Р., Решетников Р.В., Макарова Т.А. Инструмент оценки качества исследований диагностической точности алгоритмов искусственного интеллекта (QUADAS-CAD) // Digital Diagnostics. 2022. Т. 3, № 1S. C. 4–5. EDN: KNBHOJ doi: 10.17816/DD105567
  49. Schwartz F.R., Clark D.P., Ding Y., Ramirez-Giraldo J.C. Evaluating renal lesions using deep-learning based extension of dual-energy FoV in dual-source CT-A retrospective pilot study // Eur J Radiol. 2021. Vol. 139. P. 109734. doi: 10.1016/j.ejrad.2021.109734
  50. Li W., Diao K., Wen Y., et al. High-strength deep learning image reconstruction in coronary CT angiography at 70-kVp tube voltage significantly improves image quality and reduces both radiation and contrast doses // Eur Radiol. 2022. Vol. 32, N 5. P. 2912–2920. doi: 10.1007/s00330-021-08424-5
  51. Bae J.S., Lee J.M., Kim S.W., et al. Low-contrast-dose liver CT using low monoenergetic images with deep learning-based denoising for assessing hepatocellular carcinoma: a randomized controlled noninferiority trial // Eur Radiol. 2023. Vol. 33, N 6. P. 4344–4354. doi: 10.1007/s00330-022-09298-x

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Пример сегментации новообразования печени, выполненной одним из алгоритмов.

Скачать (245KB)
Метаданные
3. Рис. 2. Пример сегментации новообразования печени, выполненной алгоритмом на изображении компьютерной томографии с контрастным усилением.

Скачать (288KB)
Метаданные
4. Рис. 3. Пример сегментации новообразования правой почки.

Скачать (174KB)
Метаданные
5. Рис. 4. Пример обнаружения конкремента одним из алгоритмов.

Скачать (219KB)
Метаданные

© Эко-вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».