Замятина Ксения Андреевна – аспирант по специальности “лучевая диагностика” ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москваhttps://orcid.org/0000-0002-1643-6613E-mail: catos-zama@mail.ru
Ksenia A. Zamyatina – Resident of A.V. Vishnevsky National Medical Research Center of Surgery the Ministry of Health of the Russian Federation, Moscow
Жарикова Александра Витальевна – ординатор по специальности “лучевая диагностика” ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Alexandra V. Zharikova – Resident Physician of radiology department, A.V. Vishnevsky National Medical Research Centre of Surgery, Moscow
Кондратьев Евгений Валерьевич – канд. мед. наук, старший научный сотрудник ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Evgeniy V. Kondratyev – Cand. of Sci. (Med.), senior researcher officer of A.V. Vishnevsky National Medical Research Centre of Surgery, Moscow
Усталов Андрей Александрович – ординатор по специальности “рентгенология” ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Andrey A. Ustalov – postgraduate student, Radiology Department of A.V. Vishnevsky National Medical Research Centre of Surgery, Moscow
Староверов Николай Евгеньевич – канд. техн. наук, ассистент кафедры электронных приборов и устройств Санкт-Петербургского государственного электротехнического университета “ЛЭТИ” им. В.И. Ульянова (Ленина), Санкт-Петербург
Nikolay E. Staroverov – candidate in technical sciences, assistant at the department of electronic devices in Saint-Petersburg State Electrotechnical University, St.-Petersburg
Нефедьев Николай Алексеевич – аспирант по специальности “теоретическая информатика, кибернетика” ФГБУ ВО и науки “Санкт-Петербургский национальный исследовательский Академический университет имени Ж.И. Алферова Российской академии наук”, Санкт-Петербург
Nikolay A. Nefedev – postgraduate student, Department of Theoretical Computer Science and Cybernetics, Alferov Federal State Budgetary Institution of Higher Education and Science Saint Petersburg National Research Academic University of the Russian Academy of Sciences, St.-Petersburg
Гожева Алла Романовна – студентка ФГБОУ ВО “Санкт-Петербургский государственный педиатрический медицинский университет” Минздрава России, Санкт-Петербург
Alla R. Gozheva – student of Federal State Budgetary Educational Institution Of Higher Education Saint-Petersburg State Pediatric Medical University, St.-Petersburg
Шмелева София Антоновна – ординатор первого года по специальности “рентгенология” ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Sofia A. Shmeleva – first year postgraduate student, Radiology Department of A.V. Vishnevsky National Medical Research Centre of Surgery, Moscow
Кармазановский Григорий Григорьевич – академик РАН, доктор мед. наук, профессор, заведующий отделом лучевых методов диагностики и лечения ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России;профессор кафедры лучевой диагностики и терапии медикобиологического факультета ФГБОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России, Москва
Grigory G. Karmazanovsky – Russian Academy of Sciences (RAS) Full Member, Doct. of Sci. (Med.), Professor, Heаd of the Diagnostic Rаdiology Depаrtment at the А.V. Vishnevsky Nаtionаl Mediсаl Reseаrсh Сenter of Surgery;Professor of radiology department, Pirogov Russian national research medical university, Moscow
Цель исследования: создание и оценка эффективности технологии сегментации паренхимы поджелудочной железы (ПЖ), а также сегментации и детекции ее гипер- и гиповаскулярных образований на компьютерных томограммах органов брюшной полости с использованием глубокого машинного обучения.
Материал и методы. Для обучения алгоритмов были использованы КТ-исследования из базы данных НМИЦ хирургии им. А.В. Вишневского – общий объем около 150 исследований (артериальная и портальная фазы исследования). Для валидации полученных алгоритмов был подготовлен тестовый набор данных из 46 анонимизированных КТ-исследований (артериальная и портальная фазы исследования), независимо оцененных врачами-экспертами. В качестве основной сегментационной нейросети (ИНС) используется nn-UNet (M. Antonelli и соавт., 2022)..
Результаты. Средняя точность тестового набора данных для модели, определяющей сегментационные маски ПЖ на КТ-изображениях, AUC составила – 0,8 для портальной фазы и – 0,85 для артериальной фазы, сегментационные маски образований поджелудочной железы – 0,6.
Заключение. Автоматизированная сегментация структуры паренхимы ПЖ с использованием технологий глубокого машинного обучения показала высокую точность. Сегментация гипо- и гиперваскулярных образований ПЖ требует совершенствования. Совпадение масок показало достаточно низкий результат, однако во всех случаях место расположения патологического образования было отмечено алгоритмом правильно. Совершенствование обучающего дата-сета и используемого алгоритма может увеличить точность алгоритма. При детекции образований ПЖ ложноотрицательных результатов получено не было, во всех случаях ИНС детектировала “подозрительные” области паренхимы ПЖ. Это может помочь снизить пропуски патологий ПЖ по компьютерным томограммам, а дальнейшую их оценку может осуществлять сам врач-рентгенолог.
Objective of the study. To develop and evaluate the effectiveness of a technology for segmenting the pancreatic parenchyma and its hyper- and hypovascular lesions on abdominal computed tomography (CT) scans using deep machine learning.
Materials and methods. CT scans from the database of the A.V. Vishnevsky National Medical Research Center of Surgery were used for training and testing the algorithms – a total number of approximately 150 studies (arterial and venous phases). A test dataset of 46 anonymized CT scans (arterial and venous phases) was prepared for validation of the obtained algorithms, independently assessed by expert physicians. The primary segmentation neural network used is nn-UNet (M. Antonelli et al., 2022).
Results. The average accuracy of the test dataset for the model determining segmentation masks of the pancreas on CT images had an AUC of 0.8 for the venous phase and 0.85 for the arterial phase. The segmentation masks of pancreatic formations had an AUC of 0.6.
Conclusion. Automated segmentation of the pancreatic parenchyma structure using deep machine learning technologies demonstrated high accuracy. However, the segmentation of hypo- and hypervascular pancreatic lesions requires improvement. The overlap of the masks showed a rather low result, but in all cases, the location of the pathological formation was correctly identified by the algorithm. Enhancing the training dataset and the algorithm used could increase the accuracy of the algorithm.
No false negative results were obtained when detecting pancreatic formations; in all cases, the INS detected “suspicious” areas of the pancreatic parenchyma. This can help reduce the omission of pancreatic pathologies in CT scans, and their further assessment can be carried out by the radiologist himself.
The authors declare that there are no conflicts of interest present.