Автоматическое распознавание рака предстательной железы на изображениях ТРУЗИ

    По данным публикации в журнале Медицинской Визуализации(Journal of Medical Imaging) за январь 2019 - Integration of spatial information in convolutional neural networks for automatic segmentation of intraoperative transrectal ultrasound images / Интеграция пространственной информации в сверточных нейронных сетях для автоматической сегментации интраоперационных трансректальных ультразвуковых изображений - внешняя ссылка

    Системы наведения по изображению, которые регистрируют изображения ТРУЗИ и магнитно-резонансной томографии предстательной железы, становятся все более популярными в качестве средства, позволяющего проводить биопсию и лечение рака предстательной железы. Однако интраоперационная сегментация изображений ТРУЗИ для определения трехмерной (ЗД) геометрии предстательной железы остается сложной задачей в существующих системах наведения, которые часто требуют значительного ручного взаимодействия и подвержены межоператорской изменчивости. Следовательно, автоматизация этого шага приведет к более приемлемым клиническим рабочим процессам и большей стандартизации между различными операторами и больницами. В этой работе была разработана и протестирована сверточная нейронная сеть (СНС) для автоматического сегментирования предстательной железы в двумерных (2Д) срезах ТРУЗИ из трехмерного объема(*массива изображений) ТРУЗИ. СНС была спроектирована так, чтобы иметь возможность включать трехмерную пространственную информацию, обрабатывая один или несколько соседних срезов ТРУЗИ для сегментации в качестве входных данных, в дополнение к основным срезами. Точность СНС оценивалась на основе данных ТРУЗИ 109 пациентов, которым была проведена толстоигольная биопсия под контролем(*наведением) ТРУЗИ (всего 4034 двухмерных срезов). Точность сегментации измеряли путем вычисления двумерных и трехмерных коэффициентов подобия Дайса(Dice score) на двумерных изображениях и соответствующих трехмерных объемах, соответственно, а также на двумерных граничных расстояниях с использованием 10-го порога. Включение соседних срезов не улучшило производительность сегментации в пяти из шести результатах эксперимента, которые включали в себя изменение количества соседних срезов от 1 до 3 с каждой стороны. Добавление в декодер изображения СНС слоя с увеличением разрешения сократило общее время обучения СНС с 253 мин до 161 мин.

    *Что тут хочется сказать, я смотрю на представленный в публикации рисунок 3а, где как там написано в подписи к рисунку, красный контур соответствует ручному обведению, а синий - автоматическому, так вот смотрю я и думаю - кто же это так рукой обвел и что он этим хотел показать? Подобный вопрос к рисунку 4б. И еще вопрос - использовались ли эти "ручные" контуры для обучения СНС?

    *Также в публикации присутствуют эхограммы ТРУЗИ.

    *комментарии редактора