Услуги по разработке, R&D и сопровождению в области нестандартных и наукоемких задач.
Написать
Компьютерный анализ медицинских изображений и биомедицинских сигналов
Обзор.
Услуги по разработке, R&D и сопровождению в области нестандартных и наукоемких задач.
Обзор.
В медицине применение методов цифровой обработки медицинских изображений и сигналов получило широкое распространение. Актуальность такого направления имеет два аспекта. Во-первых, это - быстрое развитие медицинской диагностической техники: компьютерная томография (КТ), однофотонная эмиссионная компьютерная томография (ОФЭКТ), магнитно-резонансная томография (МРТ), многообразные виды ультразвуковых и рентгеновских исследований. Во-вторых, быстрое развитие компьютерной техники и математических методов анализа изображений, машинного обучения и компьютерного зрения.
За последние годы взрывное развитие методов глубокого обучения, методов анализа данных и систем обработки данных, например, big data - все это привело к тому, что автоматизируется решение биомедицинских задач, для которых это раньше было невозможно.
Мы создаем системы обработки одно-, многоканальных сигналов, и медицинских изображений: плоских, трехмерных, видеопотока.
К группе биомедицинских сигналов относятся: ЭЭГ, ЭКГ, ЭМГ, речь, температура, давление, и так далее. По этим данным системы автоматического анализа могут заранее предсказывать наступление приступов эпилепсии, фибрилляцию сердца, наличие патологий. По нескольким источникам данных можно с высокой точностью автоматически оценить психоэмоциональное состояние человека.
Методы, связанные с получением изображений: компьютерная томография (КТ), магнитно-резонансная томография (МРТ), однофотонная эмиссионная компьютерная томография (ОФЭКТ), рентгенография и изображения оптического или инфракрасного спектра, получаемые при помощи обычных фото- и видеокамер. Возможности применения систем автоматического анализа таких данных сложно перечислить. Это: диагностика и определение очагов поражения внутренних и внешних органов, классификация и измерение объектов на гистологических изображениях или, например, автоматическое выделение и классификация пораженных зубов по рентгеновским снимкам.
Если обобщить, обработка медицинских изображений и биомедицинских сигналов при помощи методов компьютерного зрения и глубокого машинного обучения может применяться для:
Дальше мы приведем примеры актуальных работ по разным направлениям машинного анализа медицинских изображений и биомедицинских сигналов.
Интерпретация ультразвуковых видеороликов сердца плода имеет решающее значение для антенатальной диагностики ишемической болезни сердца (ИБС). Автоматизированные методы анализа изображений могут внести важный вклад в улучшение показателей обнаружения ИБС. Система, представленная в цитируемой работе, используется для отслеживания ключевых переменных, которые описывают содержание каждого кадра видео двумерного ультразвукового сканирования здорового сердца плода. Она предсказывает видимость, местоположение и ориентацию сердца плода в изображении, а также ракурс каждого кадра. Такие системы могут помочь в обнаружении ИБС в аномальных случаях.
Результаты алгоритма на двух последовательностях (в каждой последовательности верхняя строка показывает предсказание, а нижняя строка показывает основную истину). Отображаемые времена - это номера кадров. Стрелка и окружность представляют собой положение в сердечном цикле (направленное наружу представляет собой систолу и направленное внутрь представляет диастолу).
Источник: “Automated annotation and quantitative description of ultrasound videos of the fetal heart”, 2016, Christopher P.Bridge et al.
В этой работе представлен алгоритм выделения участков пораженной кожи в 3D высокочастотных ультразвуковых изображениях. Сегментация проводится на опухолях меланомы и базально-клеточной карциномы, наиболее распространенных типах рака кожи, и может использоваться для диагностики и хирургического планирования иссечения в клиническом контексте.
Источник: “Improved boundary segmentation of skin lesions in high-frequency 3D ultrasound”, 2017, B. Sciolla et al.
Примеры сегментации железы в доброкачественных (верхний ряд) и злокачественных (нижних рядах) случаях. Графики слева направо показывают исходные изображения (окрашенные гематоксилином и эозином) и размеченные патологоанатомами (отдельные объекты обозначаются разными цветами) соответственно. Таким же образом система автоматически с высокой точностью размечает изображения, уменьшая ручной труд специалистов.
Источник: “DCAN: Deep contour-aware networks for object instance segmentation from histology images”, 2016, Hao Chen et al.
Морфология желез обычно используется для оценки степени злокачественности аденокарциномы. Точное выделение желез на гистологических изображениях является решающим шагом для получения надежных значений для количественной диагностики.
Стоматологический рентгенографический анализ играет важную роль в клинической диагностике, лечении и хирургии, поскольку рентгенограммы могут быть использованы для поиска скрытых стоматологических структур, злокачественных или доброкачественных масс, полостей и утраченной костной ткани. Анализ стоматологической радиографии является обязательным во время диагностики и лечения, таких как: лечение корневых каналов, диагностика кариеса, диагностика и планирование лечения ортодонтических пациентов.
Выявление кариеса и анализ анатомии зубов имеют важное значение для клинической диагностики и лечения. Стоматологический кариес представляет собой передаваемое бактериальное заболевание зубов, которое разрушает структуру зубов, а стоматолог подходит к диагностике и лечению кариеса зубов, основываясь главным образом на рентгенограммах.
Радиографическое обследование может улучшить выявление и диагностику кариеса. В клинической практике такие поражения традиционно диагностируется визуальным контролем в сочетании с рентгенографией. Поэтому автоматизированные системы обнаружения кариеса с высокой воспроизводимостью и точностью широко востребованы врачами.
Рентгенограммы: (a) необработанное изображение (б) выделено семь зубных структур, включая (1) кариес, синим цветом, (2) эмаль, зеленым цветом, (3) дентин, желтым цветом, (4) пульпа, красным цветом, (5) коронка, цветом кожи, (6) восстановленный участок зуба, оранжевым цветом и (7) залеченный корневой канал - голубым цветом.
Источник: “A benchmark for comparison of dental radiography analysis algorithms”, 2016, Ching-WeiWang, et al.
Цефалометрический анализ для классификации анатомических аномалий.
Источник:“A benchmark for comparison of dental radiography analysis algorithms”, 2016, Ching-WeiWang, et al.
Цефалометрический анализ описывает интерпретацию костных, зубных и мягких тканевых структур пациентов и предоставляет информацию для ортодонтического анализа и планирования лечения. Однако в клинической практике ручное отслеживание анатомических структур обычно проводится во время планирования лечения. Эта процедура занимает много времени и она субъективна. Автоматическое определение ориентиров для диагностики и ортодонтического лечения цефалометрии может упростить решение этих проблем.
Помимо обнаружения анатомических ориентиров в цефалометрических изображениях решается задача классификации анатомических аномалий с использованием этих ориентиров.
Магнитно-резонансная томография (МРТ) обеспечивает исследователя подробными изображения головного мозга и является одним из наиболее распространенных тестов, используемых для диагностики опухолей головного мозга. Метод позволяет получать трехмерные изображения высокого качества и разрешения, которые строятся по набору последовательных двумерных сечений. Сегментация изображений МРТ мозга на анатомические структуры является важным шагом при диагностике, прогнозированию скорости роста и планировании лечения.
Результаты автоматической обработки на аксиальном разрезе. В левом верхнем углу - анализируемое изображение. В левом нижнем углу - результаты ручной разметки. На остальной части рисунка показаны результаты автоматической разметки и классификации участков мозга. Цветовая классификация: отек, осложненная опухоль, некроз, неосложненная опухоль.
Источник: “Brain tumor segmentation with Deep Neural Networks”, 2016, Mohammad Havaei
Сегментация левого желудочка (LV) по изображениям магнитно-резонансной томографии (МРТ) является важным шагом для расчета таких клинических показателей, как объем желудочков и фракция выброса.
Автоматическая (красно-черная) и ручная (пунктирная зеленая) сегментация LV в базовом (левом), среднем желудочках (срединном) и вершине (справа) срезах для нескольких записей из базы данных MICCAI (Radau et al., 2009). Каждая строка соответствует одному пациенту, ишемической сердечной недостаточности (SC-HF-I), неишемической сердечной недостаточности (SC-HF-NI), гипертрипам LV (SCHYP) и нормальным (SC-N).
Источник: “A Combined Deep-Learning and Deformable-Model Approach to Fully Automatic Segmentation of the Left Ventricle in Cardiac MRI”, 2016, M. R. Avendi et al.
Метод автоматизированной сегментации левого желудочка сердца по изображениям магнитного магнитного резонанса (МР) при помощи глубокого обучения.
Источник: “Combining deep learning and level set for the automated segmentation of the left ventricle of the heart from cardiac cine magnetic resonance”, 2016, Tuan Anh Ngo et al.
Источник: Kaggle: Melbourne University AES/MathWorks/NIH Seizure Prediction
Эпилепсия поражает почти 1% населения мира и характеризуется возникновением спонтанных приступов. Для многих пациентов противосудорожные препараты можно назначать при достаточно высоких дозах для предотвращения приступов, но пациенты часто страдают от побочных эффектов. Для 20-40% пациентов с эпилепсией препараты не эффективны. Даже после хирургического удаления эпилепсии многие пациенты продолжают испытывать спонтанные судороги. Несмотря на то, что приступы происходят нечасто, пациенты с эпилепсией испытывают постоянное беспокойство из-за возможности приступа.
Системы прогнозирования приступов эпилепсии могут помочь пациентам с эпилепсией вести более нормальную жизнь. Для эффективной работы системы прогнозирования на основе ЭЭГ должны надежно идентифицировать периоды повышенной вероятности возникновения судорог. На их основе могут быть созданы устройства, предназначенные для предупреждения пациентов о предстоящих приступах. Пациенты могли избежать потенциально опасных действий, таких как вождение или плавание, а лекарства употреблять только тогда, когда это необходимо, чтобы предотвратить надвигающиеся судороги, уменьшая общие побочные эффекты.
Это результат работы нашего приложения для отслеживания движений глаз и распознавания эмоций с использованием обычной камеры.
Мы создали его для исследователей в Neurodata Lab. Он называется Eye Catcher.
Eye Catcher - приложение для оптического отслеживания движений глаз и распознавания эмоций в повседневных ситуациях. Система определяет эмоцию как смесь из 6 основных: счастье, печаль, удивление, гнев, отвращение, страх.
Сейчас он востребован для анализа поведения людей в диалогах. Eye Catcher - полностью программное решение, работает на видео, снятых обычными камерами, без ИК-подсветки. Калибровка тоже не требуется.
