priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2023-66-11-968-981pribor-270Research ArticleПРИБОРЫ, СИСТЕМЫ И ИЗДЕЛИЯ МЕДИЦИНСКОГО НАЗНАЧЕНИЯDEVICES, SYSTEMS AND MEDICAL DEVICESСоздание наборов данных компьютерной томографии брюшной аорты с подавлением контрастирования для обучения и тестирования алгоритмов искусственного интеллектаCreating contrast-suppressed abdominal aorta CT datasets for training and testing artificial intelligence algorithmsКоденкоМ. Р.KodenkoM. R.

Мария Романовна Коденко, аспирант; МГТУ им. Н. Э.Баумана, кафедра биомедицинских технических систем; Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, отдел научных медицинских исследований; мл. научный сотрудник

Москва

Maria R. Kodenko, Post-Graduate Student; Bauman Moscow State Technical University, Department of Biomedical Technical Systems; Center for Diagnostics and Telemedicine Technologies, Department of Medical Research; Junior Researcher

Moscow

m.r.kodenko@yandex.ruСамородовА. В.SamorodovA. V.

Андрей Владимирович Самородов, канд. техн. наук, доцент; МГТУ им. Н. Э. Баумана, кафедра биомедицинских технических систем; заведующий кафедрой

Москва

Andrey V. Samorodov, PhD, Associate Professor; Bauman Moscow State Technical University, Department of Biomedical Technical Systems; Head of the Department

Moscow

avs@bmstu.ruКульбергН. С.KulbergN. S.

Николай Сергеевич Кульберг, канд. физ-мат. наук; ФИЦ „Информатика и управление“ РАН, отдел № 41; ст. научный сотрудник

Москва

Nicholaу S. Kulberg, PhD; Federal Research Center “Computer Science and Control” of the RAS, Department 41; Senior Researcher

Moscow

kulberg@yandex.ruРешетниковР. В.ReshetnikovR. V.

Роман Владимирович Решетников, канд. физ-мат. наук; Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, отдел научных медицинских исследований; руководитель отдела

Москва

Roman V. Reshetnikov, PhD; Center for Diagnostics and Telemedicine Technologies, Department of Medical Research; Head of the Department

Moscow

reshetnikov@fbb.msu.ruМосковский государственный технический университет им. Н. Э. Баумана; Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города МосквыBauman Moscow State Technical University; Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow City Health DepartmentМосковский государственный технический университет им. Н. Э. БауманаBauman Moscow State Technical UniversityФедеральный исследовательский центр „Информатика и управление“ РАНFederal Research Center "Computer Science and Control" of the RASНаучно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города МосквыScientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow City Health Department2023021220246611968981Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/270

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.

An approach to the automated acquisition of non-contrast computed tomography (CT) images containing abdominal aortic markings derived from contrast-enhanced phase scanning data is presented. An algorithm for suppressing contrast enhancement in the area of the abdominal aorta on a CT image is developed. The scientific novelty of the approach lies in the conversion of marked contrast images into non-contrast images using a developed mathematical model that allows for isolation and suppression of the component of X-ray absorption of the contrast agent. The algorithm was tested on an open data set consisting of 4 CT studies of the abdominal aorta, the balance of “aneurysm: normal” classes was 1:1. The results demonstrate the comparability of the X-ray density values in the study area with literature data, as well as the similarity of this area with the surrounding muscle tissue. Expert classification of a mixed sample containing real and generated images demonstrates the realism of the latter (accuracy of detection of artificial images - 35%, Fleiss kappa - 0.12). The resulting images are intended for training and testing artificial intelligence algorithms in the field of opportunistic screening of aortic aneurysm.

компьютерная томографияобработка изображенийобучающие наборы данныхискусственный интеллектсинтетическая бесконтрастная фазаcomputed tomographyimage processingtraining datasetsartificial intelligencesynthetic noncontrast phaseработа 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-изображенийThe work was carried out within the framework of research and development (EGISU No.: 123031500002-1) in accordance with Order No. 1196 dated December 21, 2022 “On approval of government tasks, the financial support of which is carried out from the budget of the city of Moscow, to state budgetary (autonomous) institutions, subordinate to the Moscow City Health Department, for 2023 and the planning period of 2024 and 2025". The authors express their gratitude to the staff of the Center for Diagnostics and Telemedicine Technologies, Radiologists I. A. Blokhin, A. K. Smorchkova, and A. N. Khoruzhaya for expert validation of CT images.ReferencesKoshino 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.Koshino K., Werner R.A., Pomper M.G. et al. Ann. Transl. Med., 2021, no. 9(9), pp. 821–821.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.Engelke K., Chaudry O., Bartenschlager S. Curr. Osteoporos Rep., Springer, 2023, no. 1(21), pp. 65–76.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.Kodenko M.R., Vasilev Y.A., Vladzymyrskyy A.V. et al. Multidisciplinary Digital Publishing Institute, 2022, no. 12(12), pp. 3197.Шаблоны протоколов описания исследований по специальности «Ренгенография» магнитно-резонансная томография // НПКЦ ДиТ ДЗМ: сайт. Москва, 2016 [Электронный ресурс]: <https://trauma.ru/content/articles/detail.php?ELEMENT_ID=45874>, 25.03.2023.https://trauma.ru/content/articles/detail.php?ELEMENT_ID=45874. (in Russ.)Corson N., Sensakovic W. F., Straus C. et al. Characterization of mesothelioma and tissues present in contrastenhanced thoracic CT scans // Med. Phys. American Association of Physicists in Medicine. 2011. Vol. 38, N 2. P. 942. DOI: 10.1118/1.3537610Corson N., Sensakovic W.F., Straus C. et al. Med Phys. American Association of Physicists in Medicine, 2011, no. 2(38), pp. 942, DOI: 10.1118/1.3537610.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.Goodfellow I. et al. Commun. ACM. Association for Computing Machinery, 2014, no. 11(63), pp. 139–144, DOI:10.48550/arXiv.1406.2661.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.Litjens G. et al. Med. Image Anal., Elsevier B.V., 2017, vol. 42, рр. 60–88, DOI: 10.1016/j.media.2017.07.005.Kodali N. et al. On Convergence and Stability of GANs. 2017. DOI: 10.48550/arXiv.1705.07215.Kodali N. et al. On Convergence and Stability of GANs, 2017, DOI: 10.48550/arXiv.1705.07215.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.Petrovichev V.S., Neklyudova M.V., Sinitsyn V.E., Nikitin I.G. Digital Diagnostics, 2021, no. 3(2), pp. 343–355, DOI: 10.17816/DD62572. (in Russ.)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.Toshav A. Seminars in Ultrasound, CT and MRI, WB Saunders, 2022, no. 4 43), pp. 352–354, DOI: 10.1053/j.sult.2022.06.010.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.Zhao Q., Adeli E., Pohl K.M. Nature Communications, 2020, no. 1(11), pp. 1–9, DOI: 10.1038/s41467-020-19784-9.Starmans M. P. A. et al. Radiomics // Handbook of Medical Image Computing and Computer Assisted Intervention. Elsevier, 2019. P. 429—456.Starmans M.P.A. et al. Handbook of Medical Image Computing and Computer Assisted Intervention, Elsevier, 2019, рр. 429–456.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.Certificate on the state registration of the computer programs 2023661089, Programma dlya izvlecheniya i analiza determinirovannogo komponenta signala rentgenovskoy plotnosti KT-angiograficheskogo issledovaniya aorty (Program for Extracting and Analyzing the Deterministic Component of the X-ray Density Signal of a CT Angiographic Study of the Aorta), M.R. Kodenko, Yu.A. Vasiliev, Priority 19.05.2023, Published 29.05.2023, Bulletin 6. (in Russ.)Свид. о гос. рег. программы № 2023661090 РФ. Программа для подавления контрастирования аорты на КТангиографических изображениях / М. Р. Коденко, Ю. А. Васильев. Опубл. 29.05.2023. Бюл. № 6.Certificate on the state registration of the computer programs 2023661090, Programma dlya podavleniya kontrastirovaniya aorty na KT-angiograficheskikh izobrazheniyakh (Program for Suppressing Contrast Enhancement of the Aorta on CT Angiographic Images), M.R. Kodenko, Yu.A. Vasiliev, Priority 19.05.2023, Published 29.05.2023, Bulletin 6.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]: <http://www.mce.su/rus/archive/abstracts/mce30/sect288919/doc417793/>, 25.03.2023.Kodenko M.R., Kul'berg N.S., Samorodov A.V. Matematika. Komp'yuter. Obrazovaniye 2023 (Mathematics. Computer. Education 2023), Collection of abstracts of the XXX Intern. Conf., http://www.mce.su/rus/archive/abstracts/mce30/sect288919/doc417793/. (in Russ.)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.Norgeot B. et al. Nature medicine, 2020, no. 9(26), pp. 1320–1324, DOI: 10.1038/s41591-020-1041-y.МКБ 10 — Аневризма и расслоение аорты (I71) // МКБ 10 - Международная классификация болезней 10-го пересмотра [Электронный ресурс]: <https://mkb-10.com/index.php?pid=8344>, 05.04.2023.https://mkb-10.com/index.php?pid=8344. (in Russ.)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.Robinson J. D. et al. Seminars in roentgenology, WB Saunders, 2016, no. 3(51), pp. 215–229, DOI: 10.1053/j.ro.2015.12.003.3D Slicer image computing platform // 3D Slicer USA [Электронный ресурс]: <https://www.slicer.org/>, 05.03.2022.3D Slicer image computing platform, https://www.slicer.org/.Knipe H., Moore C. NIfTI (file format) // Radiopaedia.org. 2019 [Электронный ресурс]: <https://radiopaedia.org/articles/72562>, 05.03.2022.Knipe H., Moore C. Radiopaedia.org, 2019, https://radiopaedia.org/articles/72562.Haralick R., Shapiro L. Computer and Robot Vision. Addison-Wesley Publ. Company, 1992.Haralick R. and Shapiro L. Computer and Robot Vision, Addison-Wesley Publishing Company, 1992.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.Uchida S. Wiley Online Library, 2013, no. 4(55), pp. 523–549, doi: 10.1111/dgd.12054.Vidar Dicom Viewer // Vidar [Электронный ресурс]: <https://povidar.ru/dicom-viewer/v3/versions.html>, 05.03.2022.Vidar Dicom Viewer, https://povidar.ru/dicom-viewer/v3/versions.html.Kelley C. T. Iterative methods for optimization. Society for Industrial and Applied Mathematics, 1999.Kelley C.T. Iterative methods for optimization, Society for Industrial and Applied Mathematics, 1999.Emmert-Streib F., Moutari S., Dehmer M. Mathematical Foundations of Data Science Using R. Berlin: De Gruyter, 2020. P. 1—414.Emmert-Streib F., Moutari S., Dehmer M. Mathematical Foundations of Data Science Using R, De Gruyter, 2020, 414 р.Barnard R. et al. Machine Learning for Automatic Paraspinous Muscle Area and Attenuation Measures on LowDose Chest CT Scans // Acad. Radiol. Elsevier. 2019. Vol. 26, N 12. P. 1686—1694. DOI: 10.1016/j.acra.2019.06.017.Barnard R. et al. Acad. Radiol., 2019, no. 12(26), pp. 1686–1694, DOI: 10.1016/j.acra.2019.06.017.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.Boutin R.D. et al. American Roentgen Ray Society, 2016, no. 5(207), pp. 1046–1054, DOI: 10.2214/AJR.16.16387.RStudio Desktop - Posit // RStudio [Электронный ресурс]: <https://posit.co/download/rstudio-desktop/>, 05.03.2022.RStudio Desktop – Posit, https://posit.co/download/rstudio-desktop/.wavk.test function // RDocumentation [Электронный ресурс]: <https://www.rdocumentation.org/packages/funtimes/versions/6.1/topics/wavk.test>, 05.03.2022.RDocumentation, https://www.rdocumentation.org/packages/funtimes/versions/6.1/topics/wavk.test.Penn State Pulse, 21st Birthday, January 2001 // Pennsylvania State University [Электронный ресурс]: <http://www.sa.psu.edu/sara/alphapulse.shtml>, 13.06.2023.Penn State Pulse, 21st Birthday, January 2001, Pennsylvania State University, http://www.sa.psu.edu/sara/alphapulse.shtml.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.Mann H.B., Whitney D.R. The Annals of Mathematical Statistics, Institute of Mathematical Statistics, 1947, no. 1(18), pp. 50–60.Fleiss J. L. Measuring nominal scale agreement among many raters // Psychological Bulletin. 1971. Vol. 76, N 5. P. 378.Fleiss J.L. Psychological bulletin, 1971, no. 5(76), pp. 378.Fleiss J. L., Levin B., Paik M. C. Statistical methods for rates and proportions. N.Y.: Wiley, 1981. Т. 1981218.Fleiss J.L., Levin B., Paik M.C. Statistical methods for rates and proportions, NY, Wiley, 1981, vol. 1981218.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.Erbel R. et al. Eur. Heart. J., 2014, no. 41(35), pp. 2873–2926.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.Chen Y. et al. Comput. Biol. Med., 2022, vol. 144, DOI: 10.1016/j.compbiomed.2022.105382.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.Meijer F.J.A. et al. Insights Imaging, 2019, no. 1(10), DOI: 10.1186/s13244-019-0685-y.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.Kruskal W.H., Wallis W.A. J. Am. Stat. Assoc., 1952, no. 260(47), pp. 583–621.

The authors declare that there are no conflicts of interest present.