Глубокое обучение в КТ почек: автоматизация измерений почек

Визуализация почек играет решающую роль в диагностике и мониторинге здоровья почек. Традиционно для измерения размеров и объемов почек использовались ручная сегментация КТ и ультразвуковая визуализация. Однако эти методы подвержены изменчивости наблюдателя и требуют много времени. Последние достижения в области глубокого обучения предлагают многообещающую альтернативу за счет автоматизации задач сегментации и предоставления надежных количественных измерений.

Проблемы ручных и традиционных методов визуализации

Объем, длина, ширина и толщина почки являются важными измерениями при оценке здоровья почек, особенно для потенциальных доноров и пациентов с заболеваниями почек. Ультразвук часто предпочитают из-за его неинвазивной природы, но его зависимость от двухмерных изображений ограничивает его точность. Более того, ультразвук требует геометрических предположений, которые могут не отражать истинную морфологию почек, что делает компьютерную томографию (КТ) более надежной альтернативой. Несмотря на точность КТ, ручная сегментация является трудоемкой и значительно различается у разных наблюдателей, что приводит к непоследовательным результатам.

Эти ограничения подчеркивают необходимость более продвинутых методов, и именно здесь на сцену выходят технологии глубокого обучения. В то время как традиционные подходы к сегментации и измерению почек могут включать предположения о форме почек или трудоемкую ручную работу, модели глубокого обучения могут давать более точные и последовательные результаты, используя трехмерные КТ-изображения для автоматического вычисления почечных показателей.

Роль глубокого обучения в визуализации почек

Модели глубокого обучения, в частности, сверточные нейронные сети (CNN), такие как 3D U-Net, продемонстрировали впечатляющие возможности в автоматизации сегментации почек. Эти модели используют аннотированные КТ-сканы, чтобы научиться точно идентифицировать почку и отделять ее от окружающих тканей. Этот процесс позволяет модели количественно определять размеры и объемы почек на уровне, сопоставимом с уровнем ручных аннотаций, выполняемых опытными рентгенологами.

В обсуждаемом исследовании две различные модели глубокого обучения были обучены обрабатывать как контрастно-усиленные (CE), так и неконтрастные (NC) КТ-изображения. Результаты этих моделей были многообещающими, обе модели достигли высоких коэффициентов сходства Дайса, меры точности сегментации. Примечательно, что точность модели была проверена не только на обычных CE-изображениях, но и на более сложных наборах данных, включая изображения, полученные с помощью сканера КТ с подсчетом фотонов (PCCT) и КТ-изображений с низкой дозой. Это указывает на надежность моделей глубокого обучения в различных клинических условиях, демонстрируя их потенциал для надежной работы в различных условиях.

Преимущества глубокого обучения в КТ-визуализации почек

Одним из главных преимуществ использования глубокого обучения в визуализации почек является значительное сокращение времени и труда. Время, необходимое для ручной сегментации, особенно для рентгенологов, резко сокращается, что позволяет им сосредоточиться на других важных диагностических задачах. Модели глубокого обучения в исследовании смогли рассчитать объемы и оси почек (длину, ширину и толщину) за малую часть времени с точностью, сопоставимой с ручными методами.

Кроме того, исследование подчеркивает способность модели работать как с CE, так и с NC CT сканированием, решая серьезную клиническую задачу. В реальных сценариях пациенты с нарушенной функцией почек часто не могут пройти контрастную визуализацию из-за рисков, связанных с контрастными веществами. Таким образом, способность предоставлять точные измерения с NC изображений расширяет полезность модели в более широком диапазоне клинических случаев, включая случаи с участием пациентов с почечной недостаточностью.

Модели глубокого обучения также показали отличную согласованность и надежность при тестировании на различных наборах изображений, включая изображения с низкодозной КТ и ПККТ, что подтверждает их адаптивность к различным клиническим условиям. Кроме того, автоматизированный процесс снижает вариабельность между наблюдателями, предлагая согласованные результаты независимо от рентгенолога, выполняющего задачу.

Глубокое обучение имеет потенциал для преобразования визуализации почек, автоматизации сегментации почек и предоставления точных, надежных измерений на основе изображений КТ. Эти модели повышают клиническую эффективность и принятие решений за счет снижения ручной нагрузки и устранения вариабельности наблюдателя. Будущие исследования должны быть сосредоточены на расширении наборов данных для обучения модели, чтобы включить более разнообразные популяции пациентов и изучить производительность этих моделей на патологических почках, гарантируя, что они хорошо обобщаются на реальные клинические условия.

Интеграция глубокого обучения в визуализацию почек знаменует собой значительный шаг на пути к более точным, автоматизированным и доступным диагностическим инструментам, открывающим новые возможности для раннего выявления и лечения заболеваний почек.

Источник: European Radiology Experimental