Способ диагностики злокачественного плеврального выпота Российский патент 2019 года по МПК G01N33/48 G06K9/66 

Изобретение относится к медицине, хирургии, а конкретнее к хирургическим способам диагностики злокачественного плеврального выпотаи может быть использовано при дифференциальной диагностике плевральных выпотов разной этиологии.

Злокачественные плевриты составляют от 20% до 40% среди причин плевральных выпотов, указывают на распространение злокачественных опухолей и требуют после постановки диагноза дополнительного обследования или специального лечения, характеризуются быстрым прогрессированием. Высушенная капля биологической жидкости называется фацией и имеет сложную структуру. Известен способ распознавания и подсчета клеток в биологических средах человека и животных с применением нейросетевых технологий (Патент РФ 2303812: Способ распознавания и подсчета клеток в биологических средах человека и животных, и устройство для его осуществления).

Недостатком данного способа диагностики является распознавание только клеточного состава биологической жидкости без учета остальных ее физических и химических характеристик, необходимость использования для получения изображений дорогостоящего оборудования (бинокулярный микроскоп и цифровая система вывода изображений).

Для диагностики туберкулезного плеврита предложено использовать метод клиновидной дегидратации путем измерения морфологического исследования кристаллической фации, степени ветвления кристаллов и расчета специального коэффициента (Патент РФ2566719: Способ дифференциальной диагностики экссудативных плевритов туберкулезной этиологии с использованием клиновидной дегидратации плевральной жидкости.)

Недостатком данного способа диагностики является субъективизм анализа, основанный на измерении толщины центральной и периферической зон фации, которые имеют часто не правильную форму, могут четко не дифференцироваться, отсутствие описания в патенте методики измерения степени ветвления кристаллов, и публикаций в литературе об этой методике, подтверждающих ее эффективность и достоверность.

Техническим результатом является объективизация, повышение эффективности и достоверности способа.

Эта цель достигается использованием метода клиновидной дегидратации плевральной жидкости и автоматизированной системы распознавания особенностей фации при различных заболеваниях.

Сущностью изобретения является способ и автоматизированная система распознавания с использованием клиновидной дегидратации плевральной жидкости при злокачественном выпоте.

Способ изображен на схемах, где

Фиг. 1. Изображение фации плевральной жидкости с онкологической патологией

Фиг.2. Финальный вариант схемы нейросети

Фиг. 3. Результат преобразования очистки изображения фации от «шума»

Фиг. 4. Пример изображения фации плевральной жидкости после предобработки

Способ осуществляют следующим образом.

Пациенту с плевральным выпотом выполняют пункцию плевральной полости и в шприц набирают 5-10 мл плевральной жидкости. Изготавливают кристаллическую фацию (фиг.1) методом клиновидной дегидратации (Краевой С.А., Колтовой Н.А. Диагностика по капле крови. Кристаллизация биожидкостей. Книга 1.Кристаллизация сыворотки крови методом открытой капли (угловая дегидратация). - М., 2014 г., с. 26-27). путем забора с помощью микропипетки из шприца жидкости и нанесения на чистое сухое обезжиренное предметное стекло объемом 10 мкл с последующим высушиванием в течение 24 часов. Для получения изображения образца фации плевральной жидкости проводят фотографирование фации на предметном стекле фотоаппаратом Canon EOS 650 с адаптером для макросъемки через объектив с увеличением 4х микроскопа Levenhuk Rainbow 2L Plus (Levenhuk, КНР для Levenhuk, Inc. (США)). С карты памяти фотоаппарата изображение переносят в память ПК. Модуль хранения данных - ПК в следующей комплектации - процессор AMD Athlon II Х4 640 3.0 Ghz, ОЗУ 2048 mb, жесткий диск 1 ТВ 7200 об/мин, видеокарта Radeon HD 6770. Модули создания цифрового образа и распознавания фаций реализован на основе ПК и являются клиентскими приложениями относительно модуля хранения данных. Модуль распознавания и подсчета - ПК с установленной программой, разработанной авторами настоящего изобретения в следующей комплектации - процессор AMD Athlon II Х4 640 3.0 Ghz, ОЗУ 2048 mb, жесткий диск 1 ТВ 7200 об/мин, видеокарта Radeon HD 6770.

В качестве метода распознавания используют сверточную нейронную сеть (Мак-Каллок У. С, Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы / Под ред. К. Э. Шеннона и Дж. Маккарти. - М.: Изд-во иностр. лит., 1956. - С.363-384. (Перевод английской статьи 1943 г. )).

Изображение обладает следующими характеристиками:

Размеры исходных снимков составляли от 1200×1000 до 1600×1200 пикселей.

Фон на изображениях в основном однородный, однако с присутствием дефектов и "шума".

Изображения разбиты по двум категориям: онкологические (oncology) и другие (others).

Разработана система, состоящая из 5 модулей: модуль предобработки, модуль клиент-серверного взаимодействия, модуль распознавания и классификации, модуль обработки первичных результатов классификации, а также модуль клиентского web-приложения.

В качестве основной технологии распознавания и классификации изображений выбрана сверточная нейронная сеть (фиг.2).

Модуль предварительной обработки изображений используют для унификации изображений из выборки, увеличения количества данных, избавляет нейронную сеть от возможных ошибок, поскольку в обучении рассматриваются изображения с одной фации под разными углами. В данном модуле используются методы жестких преобразований.

Процесс предобработки данных для распознавания фаций ПЖ включает в себя:

Ручной отбор фото без явных дефектов.

Перевод изображения в черно-белый формат (grey-scale).

Очистка изображений от шумов (фиг.3).

Обрезка каждого изображения по границе клетки.

Увеличение числа выборки путем жестких преобразований.

При переводе в черно-белый формат изображений с дефектами, например, с "засветами", фото-результат не подходит для дальнейшего процесса распознавания.

1. Перевод изображения в черно-белый формат. Данный шаг необходим для стандартизации цвета изображения. В результате данного преобразования все изображения переходят в черно-белый формат.

Очистка изображений от шумов. На большинстве изображений, предлагаемых к анализу, присутствует шум, на данном шаге фон изображения переводится в бесцветный.

Обрезка каждого изображения по границе фации. Чтобы нейронная сеть анализировала только фацию производиться обрезка каждого изображения по границе фации.

Вращение изображения. На данном этапе происходит изменение изображения путем жесткого преобразования, а именно вращение. Каждое изображение вращается каждые 10 градусов. Таким образом каждое начальное изображение дало в результате 35 вариантов.

В результате преобразований на этапе предварительной обработки увеличивается количество изображений для обучения и тестирования, а также все фото стандартизуются (фиг.4).

Клиентская часть приложения выделена в отдельный модуль - клиентского приложения. В верхней части экрана расположено окно загрузки изображений, поддерживающее ввод изображений по технологии Drag&Drop. В нижней части экрана расположен блок вывода результатов. Результаты выводятся для каждого изображения в отдельности с указанием класса и вероятности верного распознавания.

В качестве технических средств для использования нейронной сети применялся персональный компьютер MacBook Pro 13 2017 с конфигурацией: 2,3 GHz Intel Core i5, 8 GB 2133 MHz LPDDR3, Intel Iris Plus Graphics 640 1536 MB.

В качестве тренировочной выборки использовались 80% изображений начальной выборки.

В качестве вариационной выборки использовались 20% изображений начальной выборки.

После предобработки сеть анализирует закрашенные (черные) и пустые пиксели, а именно их расположение и взаимное расположение. Нейронная сеть анализирует изображение фации сама: выделяет фрагменты и сравнивает (основной принцип работы сверхточной нейронной сети - выявление признаков).

В результате анализа изображения фации плеврального экссудата нейронной сетью на экране выводится результат распознавания в виде процентов, соответствующих вероятности определенного диагноза. При показателях более 80% вероятности наличия онкологической патологии, данная проба относится к злокачественному плевральному выпоту. При показателях менее 80% вероятности наличия онкологической патологии - проба не относится к злокачественному плевральному выпоту.

Достигнута точность результатов: 95.6% для класса злокачественного плеврального выпота и 90% для класса патологий других типов.

Примеры применения

1. Пациент З., 48 л. поступил в торакальное отделение Пермской краевой клинической больницы с диагнозом экссудативный плеврит справа. При поступлении выполнена диагностическая пункция справа. Капля плеврального экссудата объемом 10мкл нанесена на покровное стекло. После высушивания в течение суток произведена макросъемка фации плеврального экссудата. Проведен анализ фации плеврального выпота нейросетью путем анализа закрашенных и пустых пикселей, их расположения в фации и взаимного расположения. Получено распознавание 92% вероятности наличия онкологической патологии. Выполнена видеоторакоскопия. При осмотре на плевре визуализированы высыпания, гистологический анализ которых подтвердил метастатическое поражение плевры.

2. Пациентка Ж., 42 л., госпитализирована в торакальное отделение по поводу экссудативного плеврита. При диагностической пункции получен серозный экссудат.Капля плеврального экссудата объемом 10мкл нанесена на покровное стекло. После высушивания в течение суток произведена макросъемка фации плеврального экссудата. Проведен анализ фации плеврального выпота нейросетью путем анализа закрашенных и пустых пикселей, их расположения и взаимного расположения. Получено распознавание 45% вероятности наличия онкологической патологии, что исключает злокачественный характер плеврита. Пациентка оперирована, при видеоторакоскопии на плевре визуализированы высыпания. Гистологическое исследование плевры диагностировало туберкулезный плеврит.

3. Пациентка Ш., 68 л., поступила в торакальное отделение по поводу экссудативного плеврита. В анамнезе мастэктомия по поводу рака. Выполнялись плевральные пункции. Атипических клеток при цитологическом исследовании плеврального выпота не получено. При диагностической пункции получен серозный экссудат. Капля плеврального экссудата объемом 10мкл нанесена на покровное стекло. После высушивания в течение суток произведена макросъемка фации плеврального экссудата. Проведен анализ фации плеврального выпота нейросетью путем анализа закрашенных и пустых пикселей, их расположения и взаимного расположения. При анализе фации плевральной жидкости нейросетью получено распознавание 97% вероятности наличия онкологической патологии, указывающее на злокачественный плевральный выпот. Сделана видеоторакоскопия, при которой обнаружены узлы на плевре. Гистологическое исследование выявило метастазы протокового рака молочной железы.

Положительным эффектом от использования способа является универсальность, низкая стоимость эксплуатации, простота использования.

Изобретение относится к области медицины и представляет собой способ диагностики злокачественного плеврального выпота путем исследования кристаллической фации плевральной жидкости на предметном стекле, полученной методом клиновидной дегидратации, отличающийся тем, что фацию помещают под микроскоп, через который производят серию съемок ее полей зрения, полученные цифровые изображения запоминают в памяти ПК, который выбирает кадры для анализа, производит распознавание целевых фаций с помощью обучаемой нейронной сети путем анализа закрашенных и пустых пикселей, их расположения в фации и взаимного расположения, высчитывает процент вероятности наличия онкопатологии, и при распознавании более 80% диагностируют злокачественный плевральный выпот, при менее 80% вероятности наличия онкологической патологии злокачественный плеврит исключают. Изобретение обеспечивает объективизацию, повышение эффективности и достоверности способа. 4 ил., 3 пр.

Способ диагностики злокачественного плеврального выпота путем исследования кристаллической фации плевральной жидкости на предметном стекле, полученной методом клиновидной дегидратации, отличающийся тем, что фацию помещают под микроскоп, через который производят серию съемок ее полей зрения, полученные цифровые изображения запоминают в памяти ПК, который выбирает кадры для анализа, производит распознавание целевых фаций с помощью обучаемой нейронной сети путем анализа закрашенных и пустых пикселей, их расположения в фации и взаимного расположения, высчитывает процент вероятности наличия онкопатологии, и при распознавании более 80% диагностируют злокачественный плевральный выпот, при менее 80% вероятности наличия онкологической патологии злокачественный плеврит исключают.