В Институте вычислительной математики и информационных технологий Казанского федерального университета разработали алгоритм для обработки и анализа медицинских изображений, который уже внедряется в Университетской клинике КФУ.

Даже небольшие дефекты на медицинских изображениях могут привести к ложным диагнозам врачей. Это особенно важно, когда искажение происходит из-за мелких неисправностей в оборудовании. Ученые Казанского федерального университета предлагают восстанавливать потерянные участки изображений с помощью специального алгоритма: синтеза нейронной сети и математических подходов, в том числе и преобразования Фурье.

В проекте приняли участие директор ИВМиИТ КФУ Дмитрий Чикрин, руководитель научно-исследовательской лаборатории «Высокопроизводительные вычисления, медицинская кибернетика и машинное зрение» КФУ Дмитрий Тумаков, заведующий отделением лучевой диагностики Университетской клиники КФУ Диаз Галимьянов, младший научный сотрудник НИЛ «Высокопроизводительные вычисления, медицинская кибернетика и машинное зрение» КФУ Алишер Жуманиёзов, магистрант ИВМиИТ КФУ Зуфар Каюмов.

Как сообщил руководитель научно-исследовательской лаборатории «Высокопроизводительные вычисления, медицинская кибернетика и машинное зрение» Института вычислительной математики и информационных технологий Д. Тумаков, алгоритм представляет собой синтез работы нейронной сети и математических подходов, в том числе и преобразования Фурье.

Маммография – наиболее эффективное и весьма распространенное исследование, предназначенное для раннего выявления рака молочной железы (РМЖ). Однако ранние РМЖ могут иметь весьма малые размеры (несколько миллиметров) либо располагаться на плотном фоне, что значительно затрудняет их выявление в процессе визуального анализа маммограмм врачом-рентгенологом и приводит к их несвоевременной диагностике.

Соответствующее исследование и выводы отражены в научной статье «Устранение дефектов маммографии, вызванных неисправностью матрицы аппарата».

Алгоритм состоит из трех этапов. Первый – выявление дефектов. Второй предполагает улучшение и выравнивание контрастов различных частей изображения вне дефекта. Третий предполагает восстановление области дефекта с помощью комбинации интерполяции и искусственной нейронной сети. Маммограмма, полученная как результат применения алгоритма, показывает значительно лучшее качество изображения и не содержит искажений, вызванных изменением яркости пикселей. Всего из исходного и полученного изображений извлекается 98 радиомических признаков, делаются выводы о минимальных различиях признаков между исходным изображением и изображением, полученным по предложенному алгоритму.

Для повышения эффективности анализа маммограмм также была разработана система компьютерной диагностики, которая обеспечивает возможность выявления плохо видимых изменений. На большой выборке (более 600 случаев) было показано, что данная система обеспечивает выявление 90 процентов случаев РМЖ (в том числе 48 процентов невидимых и 87 процентов плохо видимых случаев, в среднем, за два года до фактической постановки диагноза).

«Алгоритм можно совершенствовать. Нам удалось добиться высокого качества снимка, но не произошло ли потерь, значимых для медиков? Когда мы говорим про медицинские изображения, то их анализирует врач. Мы также сравнили результаты обработки маммографических изображений, полученные с помощью модели сверточной нейронной сети, с результатами, полученными с помощью модели алгоритма вложенных контуров. Нейросеть проводит анализ маммограммы, находит изъяны. Таким образом, медику "подсказывают" о возможности онкологического заболевания, опухолях. Так мы делаем проверку, не потеряли ли мы значимое что-то, улучшив качество снимков при помощи разработанного алгоритма. Нам удалось сохранить текстуры изображений, что важно для медиков», – внес ясность Д.Тумаков.

Сейчас ноу-хау казанских ученых уже активно пользуются врачи Университетской клиники КФУ.

В планах у ученых – объединить алгоритмы устранения дефектов и «предсказывающую» нейронную сеть – для улучшения качества классификации маммографических изображений в будущих исследованиях.

Работа выполнена в рамках программы стратегического академического лидерства КФУ «Приоритет-2030».