Ссылка для цитирования : Коденко М. Р., Самородов А. В., Кульберг Н. С., Решетников Р. В. Создание наборов данных компьютерной томографии брюшной аорты с подавлением контрастирования для обучения и тестирования алгоритмов искусственного интеллекта // Изв. вузов. Приборостроение. 2023. Т. 66, № 11. С. 968—981. DOI: 10.17586/0021-3454-2023-66-11-968-981.

Аннотация. Представлен подход к автоматизированному получению бесконтрастных компьютерных томографических (КТ) изображений, содержащих разметку брюшного отдела аорты, полученную из данных контрастно-усиленной фазы сканирования. Разработан алгоритм подавления контрастного усиления в области брюшного отдела аорты на КТ-изображении. Научная новизна подхода заключается в преобразовании размеченных контрастированных изображений в бесконтрастные с помощью разработанной математической модели, позволяющей выделить и подавить составляющую рентгеновского поглощения контрастного вещества. Тестирование алгоритма проведено на открытом наборе данных, состоящем из 4 КТ-исследований брюшного отдела аорты, баланс классов „аневризма:норма“ — 1:1. Результаты демонстрируют сопоставимость значений рентгеновской плотности в области исследования с литературными данными, а также сходство этой области с окружающей мышечной тканью. Экспертная классификация смешанной выборки, содержащей реальные и сгенерированные изображения, продемонстрировала реалистичность последних (точность обнаружения искусственных изображений — 35 %, каппа Флейса — 0,12). Полученные изображения предназначены для обучения и тестирования алгоритмов искусственного интеллекта в сфере оппортунистического скрининга аневризмы аорты.

Ключевые слова: компьютерная томография, обработка изображений, обучающие наборы данных, искусственный интеллект, синтетическая бесконтрастная фаза

Благодарность: работа выполнена в рамках НИР/НИОКР (№ ЕГИСУ: 123031500002-1) в соответствии с Приказом от 21.12.2022 г. № 1196 „Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы, государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов“; авторы выражают благодарность сотрудникам НПКЦ ДиТ ДЗМ, врачам-рентгенологам И. А. Блохину, А. К. Сморчковой и А. Н. Хоружей за экспертную валидацию КТ-изображений.

Список литературы:

1. Koshino K., Werner R. A., Pomper M. G. et al. Narrative review of generative adversarial networks in medical and molecular imaging // Ann. Transl. Med. 2021. Vol. 9, N 9. P. 821—821.
2. Engelke K., Chaudry O., Bartenschlager S. Opportunistic Screening Techniques for Analysis of CT Scans // Curr Osteoporos Rep. Springer, 2023. Vol. 21, N 1. P. 65—76.
3. Kodenko M. R., Vasilev Y. A., Vladzymyrskyy A. V. et al. Diagnostic Accuracy of AI for Opportunistic Screening of Abdominal Aortic Aneurysm in CT: A Systematic Review and Narrative Synthesis // Diagnostics. 2022. Vol. 12, N 12. P. 3197.
4. Шаблоны протоколов описания исследований по специальности «Ренгенография» магнитно-резонансная томография // НПКЦ ДиТ ДЗМ: сайт. Москва, 2016 [Электронный ресурс]: , 25.03.2023.
5. Corson N., Sensakovic W. F., Straus C. et al. Characterization of mesothelioma and tissues present in contrast-enhanced thoracic CT scans // Med. Phys. American Association of Physicists in Medicine. 2011. Vol. 38, N 2. P. 942. DOI: 10.1118/1.3537610
6. Goodfellow I. et al. Generative Adversarial Networks // Commun ACM. Association for Computing Machinery. 2014. Vol. 63, N 11. P. 139—144. DOI: 10.48550/arXiv.1406.2661.
7. Litjens G. et al. A Survey on Deep Learning in Medical Image Analysis // Med. Image Anal. Elsevier B.V., 2017. Vol. 42. P. 60—88. DOI: 10.1016/j.media.2017.07.005.
8. Kodali N. et al. On Convergence and Stability of GANs. 2017. DOI: 10.48550/arXiv.1705.07215.
9. Петровичев В. С., Неклюдова М. В., Синицын В. Е., Никитин И. Г. Двухэнергетическая компьютерная томография рака головы и шеи // Digital Diagnostics. 2021. Т. 2, № 3. C. 343—355. DOI: 10.17816/DD62572.
10. Toshav A. Economics of Dual-Energy CT: Workflow, Costs, and Benefits // Seminars in Ultrasound, CT and MRI. 2022. Vol. 43, N 4. С. 352—354. DOI: 10.1053/j.sult.2022.06.010.
11. Zhao Q., Adeli E., Pohl K. M. Training confounder-free deep learning models for medical applications // Nature Communications. 2020. Vol. 11, N 1. P. 1—9. DOI: 10.1038/s41467-020-19784-9.
12. Starmans M. P. A. et al. Radiomics // Handbook of Medical Image Computing and Computer Assisted Intervention. Elsevier, 2019. P. 429—456.
13. Свид. о гос. рег. программы № 2023661089 РФ. Программа для извлечения и анализа детерминированного компонента сигнала рентгеновской плотности КТ-ангиографического исследования аорты / М. Р. Коденко, Ю. А. Васильев. Опубл. 29.05.2023. Бюл. № 6.
14. Свид. о гос. рег. программы № 2023661090 РФ. Программа для подавления контрастирования аорты на КТ-ангиографических изображениях / М. Р. Коденко, Ю. А. Васильев. Опубл. 29.05.2023. Бюл. № 6.
15. Коденко М. Р., Кульберг Н. С., Самородов А. В. Анализ высокоплотностного компонента содержимого брюшной аорты при КТ-ангиографии // Сб. тез. XXX Междунар. конф. „Математика. Компьютер. Образование“ 2023 [Электронный ресурс]: , 25.03.2023.
16. Norgeot B. et al. Minimum information about clinical artificial intelligence modeling: the MI-CLAIM checklist // Nature Medicine. 2020. Vol. 26, N 9. P. 1320—1324. DOI: 10.1038/s41591-020-1041-y.
17. МКБ 10 — Аневризма и расслоение аорты (I71) // МКБ 10 - Международная классификация болезней 10-го пересмотра [Электронный ресурс]: , 05.04.2023.
18. Robinson J. D. et al. Imaging of blunt abdominal solid organ trauma // Seminars in Roentgenology. 2016. Vol. 51, N 3. P. 215—229. DOI: 10.1053/j.ro.2015.12.003.
19. 3D Slicer image computing platform // 3D Slicer USA [Электронный ресурс]: , 05.03.2022.
20. Knipe H., Moore C. NIfTI (file format) // Radiopaedia.org. 2019 [Электронный ресурс]: , 05.03.2022.
21. Haralick R., Shapiro L. Computer and Robot Vision. Addison-Wesley Publ. Company, 1992.
22. Uchida S. Image processing and recognition for biological images. Dev Growth Differ // Wiley Online Library. 2013. Vol. 55, N 4. P. 523—549. DOI: 10.1111/dgd.12054.
23. Vidar Dicom Viewer // Vidar [Электронный ресурс]: , 05.03.2022.
24. Kelley C. T. Iterative methods for optimization. Society for Industrial and Applied Mathematics, 1999.
25. Emmert-Streib F., Moutari S., Dehmer M. Mathematical Foundations of Data Science Using R. Berlin: De Gruyter, 2020. P. 1—414.
26. Barnard R. et al. Machine Learning for Automatic Paraspinous Muscle Area and Attenuation Measures on Low-Dose Chest CT Scans // Acad. Radiol. Elsevier. 2019. Vol. 26, N 12. P. 1686—1694. DOI: 10.1016/j.acra.2019.06.017.
27. Boutin R.D. et al. Influence of IV Contrast Administration on CT Measures of Muscle and Bone Attenuation: Implications for Sarcopenia and Osteoporosis Evaluation // Amer. Roentgen Ray Society. 2016. Vol. 207, N 5. P. 1046—1054. DOI: 10.2214/AJR.16.16387.
28. RStudio Desktop - Posit // RStudio [Электронный ресурс]: , 05.03.2022.
29. wavk.test function // RDocumentation [Электронный ресурс]: , 05.03.2022.
30. Penn State Pulse, 21st Birthday, January 2001 // Pennsylvania State University [Электронный ресурс]: , 13.06.2023.
31. Mann H. B., Whitney D. R. On a Test of Whether one of Two Random Variables is Stochastically Larger than the Other // The Annals of Mathematical Statistics. 1947. Vol. 18, N 1. P. 50—60.
32. Fleiss J. L. Measuring nominal scale agreement among many raters // Psychological Bulletin. 1971. Vol. 76, N 5. P. 378.
33. Fleiss J. L., Levin B., Paik M. C. Statistical methods for rates and proportions. N.Y.: Wiley, 1981. Т. 1981218.
34. Erbel R. et al. 2014 ESC Guidelines on the diagnosis and treatment of aortic diseases: Document covering acute and chronic aortic diseases of the thoracic and abdominal aorta of the adult. The Task Force for the Diagnosis and Treatment of Aortic Diseases of the European Society of Cardiology (ESC) // Eur. Heart Journal. 2014. Vol. 35, N 41. P. 2873—2926.
35. Chen Y. et al. Generative Adversarial Networks in Medical Image augmentation: A review // Comput Biol Med. 2022. Vol. 144. DOI: 10.1016/j.compbiomed.2022.105382.
36. Meijer F. J. A. et al. Ultra-high-resolution subtraction CT angiography in the follow-up of treated intracranial aneurysms // Insights Imaging. 2019. Vol. 10, N 1. DOI: 10.1186/s13244-019-0685-y.
37. Kruskal W. H., Wallis W. A. Use of Ranks in One-Criterion Variance Analysis // J. Amer. Stat Assoc. 1952. Vol. 47, N 260. P. 583—621.