RU2811260C1 - Способ диагностики идиопатической нормотензивной гидроцефалии - Google Patents
Способ диагностики идиопатической нормотензивной гидроцефалии Download PDFInfo
- Publication number
- RU2811260C1 RU2811260C1 RU2022135302A RU2022135302A RU2811260C1 RU 2811260 C1 RU2811260 C1 RU 2811260C1 RU 2022135302 A RU2022135302 A RU 2022135302A RU 2022135302 A RU2022135302 A RU 2022135302A RU 2811260 C1 RU2811260 C1 RU 2811260C1
- Authority
- RU
- Russia
- Prior art keywords
- points
- images
- brain
- slice
- calculate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 208000003906 hydrocephalus Diseases 0.000 title claims abstract description 9
- 210000004556 brain Anatomy 0.000 claims abstract description 43
- 210000003140 lateral ventricle Anatomy 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 210000000211 third ventricle Anatomy 0.000 claims abstract description 11
- 210000002330 subarachnoid space Anatomy 0.000 claims abstract description 8
- 238000007917 intracranial administration Methods 0.000 claims abstract description 6
- 210000001142 back Anatomy 0.000 claims abstract description 5
- 101100220066 Arabidopsis thaliana CDA4 gene Proteins 0.000 claims abstract 8
- 210000005240 left ventricle Anatomy 0.000 claims description 6
- 210000005241 right ventricle Anatomy 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 230000005855 radiation Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 210000002483 sella turcica Anatomy 0.000 description 11
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 206010012289 Dementia Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000003625 skull Anatomy 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009593 lumbar puncture Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 2
- 206010046543 Urinary incontinence Diseases 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 201000003077 normal pressure hydrocephalus Diseases 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000004959 anterior horn of lateral ventricle Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004289 cerebral ventricle Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000002474 sphenoid bone Anatomy 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Abstract
Изобретение относится к медицине, а именно к лучевой диагностике, и может быть использовано для диагностики идиопатической нормотензивной гидроцефалии (иНТГ). Получают МР-изображения мозга в сагиттальной (Sag) и коронарной (Cor) плоскостях и осуществляют их программную обработку. Выбирают среди изображений Sag срединный срез. Определяют посредством предварительно обученной нейронной сети контуры мозга, а также позиции передней комиссуры (AC), задней комиссуры (PC), спинки турецкого седла (ST) и отверстия Монро (FM). Рассчитывают максимальный внутричерепной диаметр (MSID). Выбирают среди изображений Cor срез с FM c учетом ранее определенной позиции на изображениях Sag. Определяют посредством предварительно обученной нейронной сети на срезе с FM контуры боковых желудочков головного мозга (LV) и третьего желудочка головного мозга (TV). Рассчитывают наибольшее расстояние (FHVD) по вертикали между верхней стенкой бокового желудочка и серединой отверстия Монро (FM) на коронарном срезе. Рассчитывают индекс Зед Эванса z-Evans = FHVD/MSID. Выбирают среди изображений Cor срез с PC c учетом ранее определенной позиции на изображениях Sag. Определяют посредством предварительно обученной нейронной сети на срезе с PC контуры мозга, а также контуры LV и области диспропорционального расширения субарахноидального пространства в Сильвиевых щелях и в конвекситальных парасагиттальных отделах (DESH). Рассчитывают на коронарном срезе, проходящем через PC угол (CA) между двумя стенками желудочков, максимальную высоту (CMW) желудочка, высоту (SVW) наджелудочкового мозгового вещества и выраженность DESH. Рассчитывают отношение BVR = SVW/CMW. Сравнивают вычисленные значения параметров z-Evans, CA, BVR и выраженности DESH с референтными значениями, при котором присваивают оценку от 0 до 2 баллов: для z-Evans <0,3 – 0 баллов, 0,3-0,35 – 1 балл, > 0,35 – 2 балла; для CA>95° - 0 баллов, 85-95° – 1 балл, <85°– 2 балла; для BVR >1,5 - 0 баллов, 1-1,5 – 1 балл, <1 - 2 балла; для выраженности DESH = 0 - 0 баллов, = 1 – 1 балл, = 2 - 2 балла. По совокупности сравнения параметров определяют суммарную оценку и оценивают вероятность иНТГ: для 4-8 баллов – высокая вероятность, для 2-3 баллов – средняя вероятность, для 0-1 балла – малая вероятность. Способ обеспечивает автоматизированную диагностику за счет программной обработки изображений и заявленных диагностических критериев. 4 з.п. ф-лы, 6 ил., 2 табл.
Description
[01] Область техники
[02] Изобретение относится к области диагностической медицины, а именно к способу автоматизированной диагностики идиопатической нормотензивной гидроцефалии (иНТГ) по магнитно-резонансным (MP) изображениям головного мозга с применением машинного обучения для расчета патогномоничных МР-признаков.
[03] Уровень техники
[04] Идиопатическая нормотензивная гидроцефалия (иНТГ) - синдром, характеризующийся сочетанием деменции, нарушений ходьбы и недержания мочи при выраженном расширении желудочковой системы и нормальном давлении цереброспинальной жидкости (ЦСЖ).
[05] Увеличение продолжительности жизни прямо пропорционально ведет к увеличению числа пациентов, страдающих от различных форм старческой деменции, которые требуют постоянного ухода и той или иной медикаментозной терапии, что в будущем может стать социальной и экономической проблемой в развитых странах.
[06] На сегодняшний день иНТГ остается плохо диагностируемой формой деменций. Чаще иНТГ всего поражает пожилых людей, среди которых распространенность заболевания оценивается в диапазоне от 1,1% до 2,9% и может составлять более 5% всех диагнозов деменции. Однако, в отличие от других причин деменции, таких как болезнь Паркинсона и болезнь Альцгеймера, у пациентов с иНТГ проведение оперативного лечения делает симптомы подобные деменции, а также другие симптомы заболевания потенциально обратимыми.
[07] Распространенность иНТГ значительно выше, чем число лиц, получивших лечение и учитывая потенциальную обратимость данного заболевания, важно повысить процент диагностирования тех пациентов, которые получат положительный результат от оперативного лечения.
[08] В настоящее время иНТГ диагностируется с помощью МРТ исследования головного мозга, а вероятность положительного ответа на лечение определяется с помощью люмбальной пункции (tap-test). Пациенты, у которых наблюдается клиническое улучшение после выведения части ликвора с помощью люмбальной пункции, становятся кандидатами на установку шунта. Тем не менее, люмбальная пункция показала очень низкую прогностическую ценность (<20%) так как у ряда пациентов после установки шунта отмечалось улучшение, несмотря на отрицательный tap-test.
[09] Применение машинного обучения, в частности нейросетей, позволяет в автоматическом режиме получить информацию из MP-изображений, осуществить сегментацию изображений и выделение областей для расчета МР-признаков. Полученные MP-признаки сравниваются с референтными значениями для выявления отклонений и постановки диагноза.
[010] В публикации международной заявки WO 2020260671 A1, 13.12.2020 предложено применение нейросети U-net, которая позволяет определять положение областей мозга по MP-изображениям и определять параметры, указывающие на определенную патологию, в частности гидроцефалию. Однако в данном аналоге не предлагается конкретный алгоритм диагностики иНТГ.
[011] В публикации заявки США US 2015335262 A1 (наиболее близкий аналог) описан способ диагностики идиопатической нормотензивной гидроцефалии на основе MP-изображений головного мозга в сагиттальной и коронарной плоскостях. Способ предусматривает определение посредством предварительно обученных математических моделей (модель полиноминальной регрессии) таких маркеров, как объем серого вещества (GM), объем белого вещества (WM), объем спинномозговой жидкости и объем желудочков (VNT). На основании указанных параметров определяют вероятность заболевания. Недостатком наиболее близкого аналога является сравнительно невысокая точность диагностики заболевания, поскольку параметры GM, WM и VNT не дают полной картины и не позволяют дифференцировать иНТГ от других нейродегенеративных заболеваний.
[012] Таким образом, технической проблемой, на решение которой направлено заявленное изобретение, является низкая выявляемость заболевания при автоматизированной диагностике.
[013] Раскрытие сущности изобретения
[014] Техническим результатом изобретения является повышение точности и скорости автоматизированной диагностики идиопатической нормотензивной гидроцефалии с использованием программной обработки изображений.
[015] Указанный технический результат достигается в изобретении за счет того, что способ диагностики идиопатической нормотензивной гидроцефалии включает получение MP-изображений мозга в сагиттальной (Sag) и коронарной (Cor) плоскостях и их программную обработку. При этом программная обработка предусматривает операции, в которых: выбирают среди изображений Sag срединный срез; определяют посредством предварительно обученной нейронной сети контуры мозга, а также позиции передней комиссуры (АС), задней комиссуры (PC), спинки турецкого седла (ST) и отверстия Монро (FM); рассчитывают максимальный внутричерепной диаметр (MSID); выбирают среди изображений Cor срез с FM с учетом определенной позиции на изображениях Sag; определяют посредством предварительно обученной нейронной сети на срезе с FM контуры боковых желудочков головного мозга (LV) и третьего желудочка головного мозга (TV); рассчитывают наибольшее расстояние (FHVD) по вертикали между верхней стенкой бокового желудочка и серединой отверстия Монро (FM) на коронарном срезе; рассчитывают индекс Зед Эванса z-Evans=FHVD/MSID; выбирают среди изображений Cor срез с PC с учетом определенной позиции на изображениях Sag; определяют посредством предварительно обученной нейронной сети на срезе с PC контуры мозга, а также контуры LV и области диспропорционального расширения субарахноидального пространства в конвекситальных отделах и в области Сильвиевых щелей (DESH); рассчитывают на коронарном срезе, проходящем через PC угол (СА) между двумя стенками желудочков, максимальную высоту (CMW) желудочка, высоту (SVW) наджелудочкового мозгового вещества и выраженность DESH; рассчитывают отношение BVR=SVW/CMW; сравнивают вычисленные значения параметров z-Evans, СА, BVR и выраженности DESH с референтными значениями.
[016] Согласно частным вариантам реализации изобретения:
[017] - для расчета MSID осуществляют построение прямой (А), проходящей через точки АС и PC, а также перпендикулярной ей прямой (Б), проходящей через точку ST, и вычисляют расстояние от точки ST до внутренней пластинки свода черепа на перпендикулярной прямой (Б);
[018] - для расчета СА по координатам LV определяют координаты верхних точек правого и левого желудочков и координаты точки пересечения желудочков и находят угол между желудочками;
[019] - для расчета CMW по координатам LV определяют координаты нижних точек правого и левого желудочков и находят максимальное расстояние между верхней и нижней точкой желудочка;
[020] - для расчета SVW отмеряют расстояние от самого высокого желудочка до верхней границы контура мозга;
[021] - по результатам сравнения значения параметров z-Evans, СА, BVR и выраженности DESH с референтными значениями оценивают вероятность идиопатической нормотензивной гидроцефалии по одному из классов: высокая вероятность, средняя вероятность и малая вероятность.
[022] Предложенный алгоритм диагностики иНТГ является более точным (по отношению к аналогам) способом выявления более чувствительных к оперативному лечению пациентов с иНТГ. Использование данного метода поможет существенно повысить качество диагностики иНТГ, так как пациенты и их родственники смогут, минуя этап поликлиники, распознать данную болезнь. Практичность и доступность метода повысит охват выявляемости данного заболевания.
[023] Краткое описание чертежей
[024] Изобретение поясняется фигурами, где:
- на фигуре 1 показана принципиальная схема реализации способа по заявленному изобретению;
- на фигуре 2 показана схема определения параметра MSID;
- на фигуре 3 показана схема определения параметра FHVD;
- на фигуре 4 показана схема определения параметров выраженности DESH, SVW, CVD, CMW и СА;
- на фигуре 5 показана схема взаимодействия интерфейса, реализующего изобретение, с пользователем;
- на фигуре 6 показан пример работы интерфейса.
[025] Осуществление изобретения
[026] В рамках настоящей заявки использованы следующие термины и понятия.
[027] Структуры мозга - участки мозга, дифференцируемые по морфологическим признакам.
[028] LV (Lateral ventricles) боковые желудочки головного мозга, полости в головном мозге, содержащие спинномозговую жидкость.
[029] TV (Third ventricle) - третий желудочек головного мозга, полость в головном мозге, содержащие спинномозговую жидкость.
[030] AC (Anterior commissure) передняя комиссура, пучок нервных волокон, соединяющий некоторые отделы обонятельного мозга.
[031] PC (Posterior commissure) - задняя комиссура, пучок нервных волокон, соединяющий некоторые отделы мозга.
[032] FM (Foramen Monroe) - отверстия Монро, межжелудочковые отверстия, соединяющие боковые и третий желудочки.
[033] ST (Sella turcica) спинка турецкого седла, образование в теле клиновидной кости черепа человека в виде углубления, напоминающего по форме седло.
[034] Субарахноидальное пространство - пространство между черепной коробкой и головным мозгом.
[035] Сильвиевая щель - одна из крупнейших борозд мозга, разделяет лобную и теменную доли от височной доли.
[036] При реализации заявленного изобретения используют следующие морфологические признаки.
[037] СА (Callosal angle) - угол между двумя стенками желудочков на коронарном срезе, проходящем через заднюю комиссуру (PC). Определяется двумя линиями, тангенциально проведенными по медиальным стенкам боковых желудочков в коронарном срезе на уровне задней комиссуры PC).
[038] CMW (Cella media of the lateral ventricle) - максимальная высота бокового желудочка на коронарном срезе, проходящем через заднюю комиссуру (PC)
[039] SVW (Maximum vertical width of the supraventricular brain) высота наджелудочкового мозгового вещества на коронарном срезе, проходящем через заднюю комиссуру (PC)
[040] BVR (Brain-to-ventricle ratio) - параметр, который определяется как SVW деленное на CMW
[041] DESH (Disproportionately enlarged subarachnoid space hydrocephalus) -диспропорциональное расширение субарахноидального пространства в конвекситальных отделах и в Сильвиевых щелях. Стандартно визуальная полуколичественная оценка диспропорции между увеличенными объемами субарахноидальных пространств в Сильвиевых щелях и уменьшенными объемами в конвекситальных парасагиттальных отделах на коронарном сечении, проходящем через заднюю комиссуру (PC). Выраженность DESH, как правило, оценивается следующим образом: отсутствие диспропорции =0 (или «-»); легкая или умеренная диспропорция =1 (или «+»; тяжелая диспропорция =2 (или «++»).
[042] MSID (Maximum supratentorial intracranial diameter) - максимальный внутричерепной диаметр, перпендикуляр от спинки турецкого седла (ST) к линии между задней (PC) и передней (АС) комиссурами до внутренней пластинки свода черепа на срединном сагиттальном срезе.
[043] FHVD (Frontal horn vertical diameter) - наибольшее расстояние по вертикали между верхней стенкой бокового желудочка и серединой отверстия Монро (FM) на коронарном срезе.
[044] z-Evans - Индекс Зэд Эванса, определяется как FHVD деленное на MSID.
[045] Заявленный способ реализуется следующим образом (см. фиг. 1).
[046] МРТ (магнитно-резонансная томография) изображение мозга представляет собой серию MP-изображений (срезов) головного мозга в различных плоскостях - коронарной (фас) (Cor) и сагиттальной (профиль) (Sag).
[047] MP-изображения загружают в программу и на основе метаданных файлов разделяют на серии изображений в коронарной (Cor) плоскости и сагиттальной (Sag) плоскости.
[048] Среди изображений Sag с помощью программы выбирают срединный срез, к которому применяют модели нейронной сети, осуществляющие распознавание контура мозга и определение позиций AC, PC, ST и FM.
[049] Зная координаты АС и PC, находят уравнение прямой (прямая А), проходящей через эти две точки (решая систему линейных уравнений). Зная координаты ST, находят уравнение прямой (прямая Б), проходящей через ST и перпендикулярной к прямой с точками АС и PC (решая систему линейных уравнений).
[050] На основании этих данных вычисляют MSID как расстояние на прямой Б от точки ST до внутренней пластинки свода черепа (см. фиг. 2).
[051] Зная координаты области TV, рассчитывают координаты центра этой области и координаты верхней стенки бокового желудочка. Затем вычисляют FHVD как расстояние (вектор высоты) между центром TV и верхней стенкой бокового желудочка (фиг. 3).
[052] С учетом этих данных определяют z-Evans=FHVD/MSID.
[053] Среди изображений Cor с помощью программы выбирают срез с точкой FM, а также срез с точкой PC, зная положения этих точек на Sag и применяют к этим изображениям модели нейронной сети. По изображениям с FM нейронная сеть распознает контуры LV и TV, а по изображениям с PC контуры мозга на Cor и контуры LV и DESH.
[054] Зная координаты области LV, рассчитывают координаты верхних точек правого и левого желудочков. Рассчитав координаты точки пересечения желудочков и зная координаты верхних точек, находят угол между боковыми желудочками (СА). Зная координаты области LV, рассчитывают координаты нижних точек правого и левого желудочков. Далее определяют максимальное расстояние между верхней и нижней точкой желудочка (высота) - CMW. При этом от самого высокого желудочка отмеряют расстояние до верхней границы контура мозга (SVW) (фиг. 4). Зная координаты области DESH, рассчитывают отношение ширины субарахноидального пространства в области Сильвиевых щелей к его ширине в конвекситальных парасагиттальных отделах, а также параметр BVR=SVW/CMW.
[055] Затем сравнивают вычисленные параметры с референтными значениями.
[056] В таблице 1 показаны используемые морфологические параметры, способы их определения и референтные значения.
[058] По результатам сравнений параметров z-EVANS, BVR, СА, DESH присваивается оценка от 0 до 2 баллов согласно таблице 2.
[060] При наличии явных отклонений хотя бы по одному маркеру, система сообщает об этом пользователю. По совокупности сравнения маркеров (параметров) z-EVANS, BVR, СА, DESH определяется суммарная оценка, которая может составлять от О до 8 баллов. При этом система оценивает вероятность болезни.
[061] 4-8 баллов высокая вероятность иНТГ. Рекомендовано оперативное лечение.
[062] 2-3 балла - средняя вероятность иНТГ. Рекомендована консультация нейрохирурга, выполнение tap-test.
[063] 0-1 балл малая вероятность иНТГ. Рекомендован MP-контроль в динамике 1 раз в год.
[064] Применение для суммарной оценки состояния пациента только четырех параметров (z-EVANS, BVR, СА, DESH) из приведенных восьми (MSID, FHVD, CMW, SVW, BVR, z-EVANS, CA, DESH) обусловлено тем, что значение z-Evans является производным от MSID и FHVD, а параметр BVR - производным от SVW и CMW.
[065] Для автоматизированного распознавания участков мозга на изображениях применяется модель машинного обучения, реализованная виде искусственной нейронной сети (ИНС). ИНС в своем базовом виде представляет собой несколько слоев нейронов - входного слоя для ввода сигнала, выходного слоя для вывода результата и скрытых слоев для обработки. Нейроны каждого слоя - это компьютерная абстракция реального нейрона, где у каждого нейрона в слое имеется связь со всеми нейронами из предыдущего и последующего слоя в виде значением веса этой связи. В исходном, предобученном состоянии, веса между нейронами в ИНС задаются случайным образом. ИНС предварительно обучалась с подкреплением, в котором заранее известны правильные ответы на задаваемые вопросы. Те из связей ИНС, которые привели к правильному ответу получали вознаграждение и больше веса, а вес других уменьшается. Для обучения на входной слой нейронной сети подавали изображения, прогоняли данные через скрытые слои и на выходе сравнивали полученный результат с истинным значением. Правильным ответом является маска интересующей на изображении области. Затем методом обратного распространения ошибки закрепляли те связи между нейронами, которые правильно указали на интересующие области. На выходе обученная ИНС выдавала изображения в едином формате в виде маски интересующего участка. Входной слой ИНС принимал на входе картинки определенного размера, поэтому, принимая во внимание разнообразие исходных данных, необходимо было приводить их к заданному формату.
[066] К каждому снимку создавалась маска интересующего участка мозга, то есть выделялся контур мозга. По итогу получали изображение, аналогичное по размеру исходному, в котором в области мозга стоят единицы, а в остальной части - нули.
[067] ИНС обучалась быстрее и лучше, при наличии приемлемого количества изображений, содержащих интересующий участок, в его возможных формах, видах, условиях и т.д. В задаче идентификации участков мозга необходимо, чтобы модель получила для обучения как нормальные, так и пограничные (заболевания, отклонения) примеры, изображения мозга различных возрастных категорий и т.п. Кроме того, обогатить имеющийся набор данных удалось, применив методы аугментации изображений. Для модификации исходного датасета (data set) применялись стандартные методы аугментации изображений: сдвиги, повороты, отражения, сжатия и растяжения вокруг осей.
[068] В процессе обучения модели осуществляли отслеживание ее прогресса, для этого использовали метрики качества. В задаче на поиск интересующего участка на изображении применялась мера Дайса: удвоенная площадь правильно предсказанного участка (пересечение истины с предсказанием), отнесенная к сумме площадей истинного и предсказанного участков. Так, если модель правильно определила интересующий участок на изображении, и он полностью совпадает с маской, то мера Дайса будет равна 1, если же нет пересечений, то 0.
[069] Качество модели рассчитывалось по тестовым и приемочным выборкам. Тестовая выборка - это набор объектов и ответов, не используемый при обучении, но используемый для измерения качества модели. Как только качество модели на тестовой выборке переставало прирастать значительно, процесс останавливали, чтобы не переобучить модель.
[070] В данный момент алгоритм обработки MP-изображений по заявленному изобретению интегрирован в интерфейс мессенджера «Телеграм» в формате чат-бота. Схема взаимодействия интерфейса с пользователем показана на фиг. 5. Бот принимает zip-архивы с dicom файлами исследований (cor и sag снимки). В течение 10 секунд бот отвечает в формате текстовых и графических изображений (см. фиг. 6)
[071] Для оценки точности предлагаемого способа диагностики были проведены исследования, в которых приняло участие 125 пациентов с подозрением на иНТГ и контрольная группа здоровых добровольцев (100 человек). Точность интерпретации результатов определялась процентом совпадения с окончательным диагнозом нейрохирурга после выполнения пациенту tap-test (тест с выведением ликвора до 50 мл и последующей оценкой ответа на нее тест Миллера-Фишера) с положительным ответом и последующей установкой вентрикуло-перитонеального шунта. Исследование показало, что точность постановки диагноза составила 93,36%, а специфичность - 85,7%. Следовательно, предлагаемый способ является высокочувствительным.
[072] Динамическое наблюдение за пациентами в исследовании составило от 3 месяцев до 2 лет. Это позволило сделать вывод о том, что зависимость между ранней диагностикой и регрессом симптоматики иНТГ (клинической триады: нарушение походки, деменция, недержание мочи) прямо пропорциональна, и чем раньше пациенту будет поставлен верный диагноз, тем больше у него вероятность вернуться к комфортной жизни.
[073] Расчет и измерение интракраниальных параметров трудоемкий и затратный по времени процесс. Использование в рассматриваемом способе обучаемой нейронной сети на основе уже выполненного ею анализа базы МРТ-снимков головного мозга пациентов с иНТГ и контрольной группы «здоровых» пациентов позволило сократить время расчета данных до 10 секунд и уменьшить нагрузку на врачей. При этом врачу для постановки диагноза требовалось значительно большее время.
Claims (22)
1. Способ диагностики идиопатической нормотензивной гидроцефалии (иНТГ), включающий получение МР-изображений мозга в сагиттальной (Sag) и коронарной (Cor) плоскостях и их программную обработку, при которой:
- выбирают среди изображений Sag срединный срез,
- определяют посредством предварительно обученной нейронной сети контуры мозга, а также позиции передней комиссуры (AC), задней комиссуры (PC), спинки турецкого седла (ST) и отверстия Монро (FM);
- рассчитывают максимальный внутричерепной диаметр (MSID),
- выбирают среди изображений Cor срез с FM c учетом ранее определенной позиции на изображениях Sag;
- определяют посредством предварительно обученной нейронной сети на срезе с FM контуры боковых желудочков головного мозга (LV) и третьего желудочка головного мозга (TV);
- рассчитывают наибольшее расстояние (FHVD) по вертикали между верхней стенкой бокового желудочка и серединой отверстия Монро (FM) на коронарном срезе;
- рассчитывают индекс Зед Эванса z-Evans = FHVD/MSID;
- выбирают среди изображений Cor срез с PC c учетом ранее определенной позиции на изображениях Sag;
- определяют посредством предварительно обученной нейронной сети на срезе с PC контуры мозга, а также контуры LV и области диспропорционального расширения субарахноидального пространства в Сильвиевых щелях и в конвекситальных парасагиттальных отделах (DESH);
- рассчитывают на коронарном срезе, проходящем через PC угол (CA) между двумя стенками желудочков, максимальную высоту (CMW) желудочка, высоту (SVW) наджелудочкового мозгового вещества и выраженность DESH;
- рассчитывают отношение BVR = SVW/CMW;
- сравнивают вычисленные значения параметров z-Evans, CA, BVR и выраженности DESH с референтными значениями, при котором присваивают оценку от 0 до 2 баллов:
для z-Evans <0,3 – 0 баллов, 0,3-0,35 – 1 балл, >0,35 – 2 балла,
для CA >95° - 0 баллов, 85-95° – 1 балл, <85°– 2 балла,
для BVR >1,5 - 0 баллов, 1-1,5 – 1 балл, <1 - 2 балла,
для выраженности DESH = 0 - 0 баллов, = 1 – 1 балл, = 2 - 2 балла,
- по совокупности сравнения параметров определяют суммарную оценку и оценивают вероятность иНТГ: для 4-8 баллов – высокая вероятность, для 2-3 баллов – средняя вероятность, для 0-1 балла – малая вероятность.
2. Способ по п.1, в котором для расчета MSID осуществляют построение прямой (А), проходящей через точки AC и PC, а также перпендикулярной ей прямой (Б), проходящей через точку ST, и вычисляют расстояние от точки ST до внутренней пластинки свода черепа на перпендикулярной прямой (Б).
3. Способ по п.1, в котором для расчета CA по координатам LV определяют координаты верхних точек правого и левого желудочков и координаты точки пересечения желудочков и находят угол между желудочками.
4. Способ по п.1, в котором для расчета CMW по координатам LV определяют координаты нижних точек правого и левого желудочков и находят максимальное расстояние между верхней и нижней точкой желудочка.
5. Способ по п.1, в котором для расчета SVW отмеряют расстояние от самого высокого желудочка до верхней границы контура мозга.
Publications (1)
Publication Number | Publication Date |
---|---|
RU2811260C1 true RU2811260C1 (ru) | 2024-01-11 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2301625C1 (ru) * | 2006-03-16 | 2007-06-27 | ГОУ ВПО Омская Государственная Медицинская Академия | Способ диагностики гидроцефалии головного мозга |
US20150335262A1 (en) * | 2014-05-22 | 2015-11-26 | New York University | System, method and computer-accessible medium for the probabilistic determination of normal pressure hydrocephalus |
US20210251559A1 (en) * | 2018-06-14 | 2021-08-19 | Curasen Therapeutics, Inc. | Methods for diagnosing, monitoring and treating neurological diseases and disorders |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2301625C1 (ru) * | 2006-03-16 | 2007-06-27 | ГОУ ВПО Омская Государственная Медицинская Академия | Способ диагностики гидроцефалии головного мозга |
US20150335262A1 (en) * | 2014-05-22 | 2015-11-26 | New York University | System, method and computer-accessible medium for the probabilistic determination of normal pressure hydrocephalus |
US20210251559A1 (en) * | 2018-06-14 | 2021-08-19 | Curasen Therapeutics, Inc. | Methods for diagnosing, monitoring and treating neurological diseases and disorders |
Non-Patent Citations (1)
Title |
---|
RYSKA P. et al. Variability of Normal Pressure Hydrocephalus Imaging Biomarkers with Respect to Section Plane Angulation: How Wrong a Radiologist Can Be? AJNR Am J Neuroradiol. 2021; 42(7): 1201-1207. YAMADA S. et al. Fluid Distribution Pattern in Adult-Onset Congenital, Idiopathic, and Secondary Normal-Pressure Hydrocephalus: Implications for Clinical Care. Front. Neurol. 2017, Volume 8, Article 583. RAMALINGAM J. K. et al. Normal Pressure Hydrocephalus‑Diagnostic Dilemmas and Selection of Patients for Surgery. Current Practice in Neurosciences. 2021, VOLUME 3, ISSUE 3. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
US10898125B2 (en) | Deep learning architecture for cognitive examination subscore trajectory prediction in Alzheimer's disease | |
Liu et al. | Classification of Alzheimer's disease using whole brain hierarchical network | |
Bron et al. | Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge | |
CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
US7428323B2 (en) | Method and system for automatic diagnosis of possible brain disease | |
JP2015513157A (ja) | アルツハイマー病に関する神経科医のワークフローを改良するシステム及び方法 | |
WO2010088763A1 (en) | Methods and apparatuses for quantitatively determining the likelihood of a disease | |
CN113284126B (zh) | 人工神经网络图像分析预测脑积水分流手术疗效的方法 | |
Al-Adhaileh | Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm | |
Spiteri et al. | Using machine learning to understand neuromorphological change and image‐based biomarker identification in Cavalier King Charles spaniels with Chiari‐like malformation‐associated pain and syringomyelia | |
CN114999629A (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
Er et al. | Predicting the prognosis of MCI patients using longitudinal MRI data | |
EP3901963B1 (en) | Method and device for estimating early progression of dementia from human head images | |
CN116682564A (zh) | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 | |
Rao et al. | A Review on Alzheimer’s disease through analysis of MRI images using Deep Learning Techniques | |
CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
RU2811260C1 (ru) | Способ диагностики идиопатической нормотензивной гидроцефалии | |
Zhu | Early diagnosis of Parkinson's Disease by analyzing magnetic resonance imaging brain scans and patient characteristic | |
WO2023276563A1 (ja) | 診断支援装置、コンピュータプログラム及び診断支援方法 | |
CN114512236A (zh) | 一种阿尔兹海默症智能辅助诊断系统 | |
Praveena et al. | RETRACTED CHAPTER: A Survey on Early Prediction of Autism Spectrum Disorder Using Supervised Machine Learning Methods | |
Subasi et al. | Alzheimer’s disease detection using artificial intelligence | |
Pentela et al. | Different Machine Learning Approch's for Diagnosis of Alzheimer's Disease and Vascular Dementia |