Сенсорные системы, 2020, T. 34, № 4, стр. 329-339

Устойчивая к шуму в разметке сверточная нейронная сеть в задаче сегментации глиом на МРТ изображениях

Т. Н. Сапаров 12, А. И. Курмуков 13*, Б. Н. Широких 124, С. В. Золотова 5, А. В. Голанов 5, М. Г. Беляев 4, А. В. Далечина 6

1 Институт проблем передачи информации им. А.А. Харкевича РАН
127994 Москва, Большой Каретный пер., д. 19, Россия

2 Московский физико-технический институт (Государственный университет)
141701 Московская обл., г. Долгопрудный, Институтский пер., 9, Россия

3 Национальный исследовательский университет “Высшая школа экономики”
101000 Москва, Мясницкая ул., 20, Россия

4 Сколковский институт науки и технологий
143026 Москва, Большой бул., 30, Россия

5 Федеральное государственное автономное учреждение “Национальный медицинский исследовательский центр нейрохирургии им. акад. Н.Н. Бурденко” МЗ РФ
125047 Москва, 4-я Тверская-Ямская ул., 16, Россия

6 Центр “Гамма-нож”, АО “Деловой центр нейрохирургии”
125047 Москва, 1-й Тверской-Ямской пер., 13/5, Россия

* E-mail: kurmukovai@gmail.com

Поступила в редакцию 05.06.2020
После доработки 24.07.2020
Принята к публикации 06.08.2020

Аннотация

Сегментация медицинских изображений – одна из важнейших задач лучевой диагностики и терапии. Современные подходы к решению этой задачи основаны на глубоком обучении и показывают высокое качество при обучении на стандартизированных и специально собранных данных. Однако при работе с реальными клиническими изображениями ситуация кардинально меняется из-за принципиально более сложного устройства данных. В задаче сегментации опухолей головного мозга для планирования лучевой терапии размеры и интенсивности изображений существенно варьируются в зависимости от настроек аппарата магнитно-резонансной томографии; отмечается неоднозначность трактовки разными экспертами выявляемых на томограммах изменений; наконец, контуры мишени не всегда соответствуют изображению магнитно-резонансной томографии вследствие использования дополнительных модальностей при планировании облучения. В силу указанных причин сформированные выборки содержат большое количество шумных аннотаций. Мы предлагаем устойчивый алгоритм обучения, основанный на модификации традиционной архитектуры сверточной нейронной сети при помощи модуля для обучения весов, используемых в результирующей функции потерь (взвешенной перекрестной энтропии). Наша модель успешно борется с наличием шума в разметке и значительно уменьшает эффект высокой гетерогенности данных, повышая качество сегментации на 38%.

Ключевые слова: сегментация медицинских изображений, МРТ, глубокое обучение, глиобластома

DOI: 10.31857/S0235009220040071

Дополнительные материалы отсутствуют.