Автоматическое распознавание чистых и смешанных камней с помощью интраоперационных эндоскопических цифровых изображений
26.07.2021
Сверточные нейросети глубокого обучения способны различать морфологические типы камней почек.
Глубокое обучение – это метод, подходящий для тех областей, где необходимо анализировать большой объем данных и требуется человеческий интеллект. Использование глубокого обучения в качестве инструмента машинного обучения и распознавания образов также становится важным аспектом в области анализа медицинских изображений. В настоящее время основные прикладные области анализа медицинских изображений включают сегментацию, классификацию и обнаружение аномалий с использованием изображений, созданных с помощью широкого спектра методов клинической визуализации.
Чтобы оценить автоматическое компьютерное распознавание чистых и смешанных камней, уролог с 20-летним опытом интраоперационно и проспективно исследовал поверхность и срезы всех обнаруженных камней в почках. Для создания аннотированных наборов данных были собраны и классифицированы морфологические критерии для конкрементов, состоящих из оксалата кальция моногидрата (COM/Ia), дигидрата (COD/IIb) и мочевой кислоты (UA/IIIb). Сверточная нейросеть глубокого обучения (CNN) была настроена для прогнозирования состава как однокомпонентных («чистых»), так и смешанных камней. Кроме того, были построены грубые тепловые карты, чтобы точно определить ключевые области, идентифицированные сетью.
Исследование включало 347 и 236 наблюдений поверхности и разреза камня, соответственно. Из всех камней около 80% имели только один морфологический тип, а около 20% – два. Наивысшая чувствительность в 98% была получена для типа «чистый IIIb/UA» с использованием изображений поверхности. Наиболее часто встречалась морфологический тип «чистый Ia/COM»; он был правильно предсказан в 91% и 94% случаев с использованием изображений поверхности и разреза камней, соответственно. Смешанный тип камней «Ia/COM + IIb/COD», Ia/COM был предсказан в 84% случаев с использованием изображений поверхности, IIb/COD – в 70% случаев и оба – в 65% случаев. Что касается типа камней «Ia/COM + IIIb/UA», Ia/COM был предсказан в 91% случаев с использованием изображений сечения, IIIb/UA – в 69% случаев, и оба – в 74% случаев.
Таким образом, проведенное исследование демонстрирует, что глубокие сверточные нейросети перспективны для определения состава камней в почках по эндоскопическим изображениям, полученным во время операции. Собранные в клинических условиях изображения поверхностей камней и их срезов, проанализированные нейросетью, предоставляют ценную информацию о морфологии для компьютерной диагностики.
Источник: Estrade V. et al. Towards automatic recognition of pure & mixed stones using intraoperative endoscopic digital images // BJU Int. BJU Int, 2021. P. bju.15515.