Области применения компьютерного анализа медицинских снимков
Компьютерный анализ медицинских изображений применим буквально во всех областях — от офтальмологии до МРТ. Особенно популярно сейчас изучение снимков глазного дна, так как это единственное место, где можно увидеть сосуды неинвазивно. Кроме того, первый признак диабета — диабетическую ретинопатию — можно обнаружить как раз на глазном дне. В эти исследования сейчас очень активно вкладываются на Западе, так как проблема диабета становится все насущнее.
Очень широкий круг задач в анализе медицинских изображений связан с дерматологией. Вообще, исследуются все области, где есть изображения. Каждая болезнь — отдельная область исследований. Поэтому из обилия болезней и различных медицинских аппаратов складывается огромное разнообразие в этих исследованиях. Для некоторых анализов, особенно для ультразвука и ряда других технологий (МРТ, компьютерной томографии), очень важно, на каком приборе это делается — алгоритмы пишутся для каждой конкретной модели и ее режимов.
С помощью анализа биомедицинских изображений можно исследовать что угодно — от перелома шейки бедра (чем мы занимались с сингапурскими коллегами) до 3D-моделирования зубов. Со стоматологией особенно интересно: при помощи моделирования пациент может увидеть, какие у него будут зубы, как они будут меняться от недели к неделе, если поставить брекеты, — эти процессы можно смоделировать.
|
|
|
Есть равные возможности для исследования всех областей медицины, и нет какой-то одной, в которой работы велись бы наиболее активно. Но наиболее приоритетным направлением все-таки является лучевая диагностика мозга. В России этим занимаются не очень активно, особенно для нейродегенеративных заболеваний, разве что диагностикой болезни Паркинсона, тогда как на Западе очень большое внимание уделяется болезни Альцгеймера.
Эффективность анализа биомедицинских изображений
В разных областях медицины эффективность компьютерного анализа оценивается по-разному. Есть общие базы данных, например, по глазам и ретинопатии, где ситуация очень хорошая, процент точности там очень большой — выше 95%. В других областях понять результативность сложнее. Очень много зависит от того, какие настройки поставил доктор, поскольку, например, в УЗИ шум неаддитивный. Это означает, что результаты, полученные в разных режимах, сложно свести к одному показателю, как-то нормализовать и получить возможность сравнивать их.
В целом точность компьютерной диагностики чуть-чуть хуже, чем получается у самых профессиональных докторов, но лучше, чем у средних врачей. Но проблема в том, что часто одно заболевание влечет за собой еще несколько других, и это значительно усложняет диагностику.
|
|
|
В обработке и анализе медицинских изображений идеальная ситуация следующая: есть конкретное заболевание, есть аппаратура для диагностики определенной медицинской модальности (например, УЗИ). Мы изучаем наборы видеоданных из имеющейся базы данных пациентов и находим с помощью машинного обучения какие-то значимые параметры, соответствующие именно этому заболеванию. Кроме того, у нас есть база данных не только снимков одной медицинской модальности, но и комплексные истории болезни, данные анализа крови и так далее, — одним словом, полная картина. Для нового пациента по его медицинским видеоданным мы рассчитываем параметры, которые мы определили как значимые для рассматриваемого заболевания, и врачу программа дает не диагноз, а несколько, например пять, наиболее похожих по значимым признакам изображений пациентов. В этом случае врач смотрит полные истории болезни этих пяти пациентов и видит различные возможные варианты диагноза. При этом врачам, даже не самым высокопрофессиональным, будет гораздо легче работать с этой информацией, а вероятность ошибок сократится. В случае же выдачи программой диагноза (что эквивалентно выдачи истории болезни только одного пациента с похожими видеоданными используемой медицинской модальности) врачи недостаточно высокой квалификации просто с ней согласятся, иногда и не подозревая о возможных альтернативных диагнозах.
|
|
|
Другие методы анализа
Чисто математических методов, которые используются в анализе изображений, в том числе биомедицинских, очень много. Они как раз и развивались с 80-х годов прошлого века. В них обработка и анализ изображений базируются на теории обработки сигналов, которая развивалась с середины XX века.
Что касается численных методов, то тут есть специфика, связанная именно с медицинским оборудованием. В медицине есть огромное количество аппаратов, каждый из которых имеет свою физику, свои особенности настройки, разные параметры и частотные области. Некоторые вещи мы не можем измерить. Например, в МРТ картинку с данных мы получаем при помощи обратного преобразования Фурье, и она может обладать массой различных дефектов, связанных именно с физикой — с потерей частотной информации. Поэтому методы используются очень разные. И очень сложно выделить область математики, которой тут не нашлось бы применения. Используется буквально все — от кватернионов и топологии до теории графов и статистических методов. И конечно, очень много методов, связанных именно с физикой аппаратов. Разумеется, используются методы искусственного интеллекта, машинное обучение, сверточные нейронные сети и так далее.
|
|
|
Заключение
Я не думаю, что в ближайшие десять лет удастся как-то глобально продвинуться в комплексной компьютерной диагностике — по крайней мере, настолько, чтобы эти программы могли заменить даже медицинский персонал среднего уровня. Как уже говорилось, не бывает только одного заболевания: одна болезнь всегда влечет за собой и другие осложнения. Крайне редко бывает, что заболел только один орган. Поэтому пока что в обозримом будущем едва ли у нас будут какие-то условные коробочки, которые можно подключить к человеку, и они тут же ему выдадут полную диагностику и рецепт. Но прогресс, конечно, будет каждый год: будет улучшаться диагностика в отдаленных регионах — именно за счет компьютерных технологий. В целом это большая сложность — мультимодальная обработка медицинских изображений: представьте, что с одного и того же пациента нужно снять МРТ, КТ, рентген и ультразвук и дать комплексный диагноз с использованием этих четырех снимков. Но потихоньку прогресс идет, и результаты становятся все лучше.
Список литературы:
1. Ronnachai Jaroensri, Amy Zhao, Guha Balakrishnan, Derek Lo, Jeremy D. Schmahmann, M.D., Fr´edo Durand, John Guttag. A Video-Based Method for Automatically Rating Ataxia. Massachusetts Institute of Technology, Cambridge, MA, Yale University, New Haven, CT, Massachusetts General Hospital, Boston, MA.
2. Gajendra J. Katuwal* and Robert Chen+. Machine Learning Model Interpretability for Precision Medicine. *Rochester Institute of Technology, Rochester, NY 14623Georgia Institute of Technology, Atlanta, GA 30332
3. Adnan Qayyuma, Syed Muhammad Anwar*b, Muhammad Majid*a , Muhammad Awaisc, Majdi Alnowamid . Medical Image Analysis using Convolutional Neural Networks: A Review. Department of Computer Engineering, University of Engineering, and Technology, Taxila, Pakistan. Department of Software Engineering, University of Engineering, and Technology, Taxila, Pakistan. dCVSSP, University of Surrey, Surrey, UK Department of Nuclear Engineering, Faculty of Engineering, King Abdul Aziz University, Jaddah *Signal, image, multimedia processing and learning (SIMPLE) Lab, UET Taxila, Pakistan
Словарь терминов:
disorders - расстройства
Parkinson’s disease - Болезнь Паркинсона
Ataxia - Атаксия
clinician - клинический специалист
rating scale - шкала оценок
time-consuming - кропотливый
motion impairment - нарушение движения
supervised - контролируемый
learning model - обучаемая модель
predict severity according - прогнозировать степень тяжести
incapacity - недееспособность
heterogenous group - гетерогенная группа
neurodegenerative - нейродегенеративные
neurologist - невролог
observer-independent - независимый от наблюдателя
interpretability - интерпретируемость
machine learning - машинное обучение
data-driven - управляемые данные
precision medicine efforts - прецизионная медицина
predictive - прогностическое
interpret - интерпретировать
healthcare - здравоохранение
tsunami of data - цунами данных
dissect - рассекать
heterogeneity - разнородность
aid - помощь
trade-off - компромисс
explanatory modelling - объяснительное моделирование
predictive model - прогностическая модель
vital - жизненно важно
actionable insights - действенные идеи
approximated - аппроксимируется
affective and efficient - аффективные и эффективные
witnessed - свидетелями
compared - в сравнении
handcrafted features - особенности ручной работы
deep learning - глубокое обучение
breakthrough - прорвать
overwhelmed - перегружены
recognition - признание
providing - обеспечение
state-of-the-art - уровень развития
data abstractions - абстракции данных
recently - в последнее время
deep convolutional - глубокий сверточный
neural networks - нейронные сети
promising - многообещающий
covers - крышки
spectrum - спектр
natural language - естественный язык
diagnostic - диагностика
imaging modalities - методы визуализации
radiologist - рентгенолог
treatment - лечение
aided detection - автоматическое обнаружение
computer aided diagnosis relies - автоматизированная диагностика
data centric - ориентированный на данные
suitable candidate - подходящий кандидат
aim - цель
abstraction - абстракция
deep architectures composed - глубокие архитектуры
multiple non-linear transformations - множественные нелинейные преобразования
mimics - подражает
architecture similar - аналогичная архитектура
representations - представления
image-net classification task - задача классификации изображений
advancements - достижения
considered - считается
significance - значение
achieved - достигнутый
explicitly programmed - явно запрограммирован
artificial intelligence - искусственный интеллект
finger-to-nose - палец к носу
computer vision - компьютерное зрение
impairment - нарушение
checkups - медосмотры
video-based - видео на основе
rating scales - рейтинговые шкалы
motor impairment - моторное обесценение
incapacity - недееспособность
dataset - набор данных
feasibility - осуществимость
gait incoordination - несогласованность походки
maneuver - маневр
raters - оценщики
facilitate - содействовать
precision medicine - точная медицина
efforts - усилия
mortality - смертность
practitioners – практики
involves - включает в себя
actionable - действенные
insights - понимание
convolutional neural network - сверточная нейронная сеть
medical image analysis - медицинский анализ изображений
medical image classification - классификация медицинских изображений
computer aided detection - автоматическое обнаружение
computer aided diagnosis - компьютерная диагностика
medical image segmentation - сегментация медицинских изображений
Дата добавления: 2021-06-02; просмотров: 35; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!