Способ обработки изображений магнитно-резонансной томографии для формирования обучающих данных Российский патент 2024 года по МПК A61B5/55 G01N3/08 

Область техники

Настоящее изобретение относится к обработке изображений магнитно-резонансной томографии (МРТ) с использованием нейронных сетей для определения аномалий в головном мозге.

Уровень техники

Медицинская визуализация становится все более важной в современной медицине. В некоторых случаях обработка изображений, такая как сегментация изображений и/или улучшение изображений, выполняется на медицинских изображениях, чтобы помочь врачам поставить диагноз. Поэтому желательно предоставить системы и способ для реализации более точной и более эффективной сегментации изображения и/или улучшения изображения.

Подходы на основе обучения имеют целью создание прогнозной модели на основе доступных обучающих данных. Как только прогнозная модель была обучена, она может быть применена к любому новому изображению МРТ того же самого типа. В частности, применяется алгоритм обучения с учителем, в котором использует известный набор входных данных и известные ответы или выводы для этих данных, а затем модель обучается генерировать приемлемые прогнозы для ответа на новые данные.

Изображение, полученное в ходе МРТ, имеет различную форму картинки. В область сканирования попадает значительно количество окружающих тканей, не относящихся к предмету исследования. Эти лишние области создают дополнительный шум при обучении нейронных сетей приводя к переобучению и снижению точности. Особенно часто эта проблема встречается при работе с медицинскими данными, поскольку данные пациентов всегда ограниченны. Применяются различные способы предобработки изображения, выделяющие интересующую область на картинке.

Так в уровне техники известна система обработки изображения (US 11475569 В2), в которой используется обученная нейронная сеть, которая обрабатывает изображение грудной клетки пациента с целью получения области объекта и области фона (сегментация изображения). Для обучения нейронной сети создают бинарное изображение области объекта и области фона посредством сложения яркости пикселей по оси ординат Y. Область, яркость пикселей которой не удовлетворяет пороговому значению, удаляется.

Для поставки точного диагноза следует выбирать минимально возможную зону без потерь информации. Изображение МРТ является послойным изображением, каждый срез которого имеет свою толщину. Поэтому использование статического (неизменяющегося) порогового значения, позволяет отсеивать только небольшое количество лишней информации, что приводит к зашумлению обучающих данных, и как следствие к неточной работе нейронной сети.

Следовательно, основной задачей является подготовка более информативных обучающих данных для выявления аномалий и постановки более точного диагноза.

Для решения данной задачи в заявленном решении используется новый подход подготовки обучающих данных, в котором используются динамические пороговые значения на каждом слое изображения МРТ, изменяющееся в зависимости от значений яркости пикселей по осям X и Y.

Технический результат, достигаемый заявленным решением, заключается в повышении точности определения аномалий в изображениях МРТ.

Раскрытие изобретения

Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что способ обработки изображений магнитно-резонансной томографии (МРТ) для формирования обучающих данных реализуется устройством обработки, содержащим процессор, память и машиночитаемые инструкции побуждающие процессор выполнять следующие этапы:

прием изображений магнитно-резонансной томографии (МРТ) пациентов;

обработка полученных изображений, при которой:

определяют значение яркости каждого пиксели;

вычисляют гистограмму яркости по оси Y, для чего: вычисляют яркости каждой строки, путем сложения яркостей пикселей каждой строки, определяют среднее значение яркости для каждой строки; вычисляют среднеквадратичное отклонение яркости всех пикселей строки от среднего для этой же строки и для каждой строки вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости;

вычисляют гистограмму яркости по оси X, для чего: вычисляют яркость каждого столбца, путем сложения яркостей пикселей каждого столбца, определяют среднее значение яркости для каждого столбца; вычисляют среднеквадратичное отклонение яркости всех пикселей столбца от среднего для этого же столбца и для каждого столбца вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости;

устанавливают пороговые значения яркости;

исключают по оси Y строки, значение яркости для которых ниже первого порогового значения, а по оси X столбцы, значение яркости для которых ниже второго порогового значения;

осуществляют нормализацию полученных изображений;

подают итоговое изображение на вход нейронной сети для обучения;

сохраняют полученную модель нейронной сети на устройстве обработки.

При этом первое пороговое значение устанавливается в 10% от максимального значения гистограммы яркости для оси Y.

При этом второе пороговое значение устанавливается в 5% от максимального значения гистограммы яркости для оси X.

Кроме этого нормализация изображений включает:

установку минимального значения яркости как 10% перцентиль от всех изображений МРТ пациента;

установку максимального значения яркости как 99% перцентиль от всех изображений МРТ пациента;

вычитание из всех значений яркостей среднее значение яркости для всех пациентов;

деление полученного значения яркости на среднюю дисперсию по всему набору данных.

При этом итоговое изображение, которое подают на вход нейронной сети, имеет размерность N*224*224.

Причем первое и второе пороговые значения вычисляются для каждого слоя изображений МРТ.

Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что способ диагностики аномалий на изображениях магнитно-резонансной томографии (МРТ) пациента с помощью нейронной сети содержит этапы:

сканирование пациента медицинским устройством формирования изображения;

отправку полученного изображения МРТ в устройство обработки;

обработка изображения МРТ нейронной сетью, сохраненной в устройстве обработке и обученной способом по пункту 1;

выделение на изображении областей, определенных как аномальные;

отправки изображения с выделенными областями на клиентский терминал и/или устройство хранения.

При этом изображение принимаются в режиме реального времени.

Также изображение являются изображения МРТ головного мозга.

Причем аномалия представляет собой опухоль.

Кроме этого выделение областей имеет цветовую маркировку, определяющую наиболее опасные участки.

Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что система диагностики аномалий на изображениях магнитно-резонансной томографии (МРТ) с помощью нейронной сети, содержащая: взаимосвязанные посредством сети медицинское устройство формирования изображения, устройство обработки, устройство хранения, один или несколько клиентских терминалов, в которой:

медицинское устройство отправляет изображение магнитно-резонансной томографии (МРТ) пациентов в устройство обработки;

устройство обработки выполнено с возможностью:

приема исходного изображения магнитно-резонансной томографии (МРТ) пациента;

обработки исходного изображения МРТ нейронной сетью, обученной способом по пункту 1;

выделение областей, определенных как аномальные;

отправки изображения с выделенными областями на клиентский терминал и/или устройство хранения.

При этом изображение принимаются в режиме реального времени.

Также клиентский терминал является терминалом медицинского работника или пациента.

Таким образом технический результат достигается за счет обработки изображений МРТ посредством нейронной сети, обученной следующем образом:

для каждого из множества изображения МРТ, используемых в качестве обучаемых данных:

определяют значение яркости каждого пиксели в изображении;

вычисляют гистограмму яркости по оси Y, для чего: вычисляют яркости каждой строки, путем сложения яркостей пикселей каждой строки, определяют среднее значение яркости для каждой строки; вычисляют среднеквадратичное отклонение яркости всех пикселей строки от среднего для этой же строки и для каждой строки вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости;

вычисляют гистограмму яркости по оси X, для чего: вычисляют яркость каждого столбца, путем сложения яркостей пикселей каждого столбца, определяют среднее значение яркости для каждого столбца; вычисляют среднеквадратичное отклонение яркости всех пикселей столбца от среднего для этого же столбца и для каждого столбца вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости;

для каждого слоя изображения устанавливают пороговые значения яркости;

исключают по оси Y строки, значение яркости для которых ниже первого порогового значения, а по оси X столбцы, значение яркости для которых ниже второго порогового значения;

осуществляют нормализацию полученных изображений;

и подают итоговое изображение на вход нейронной сети для обучения.

Краткое описание чертежей

Сущность изобретения поясняется чертежами.

На фиг. 1 представлена схема архитектуры нейронной сети для задачи классификации многослойного снимка МРТ, где 1) - изображения слоев МРТ; 2) - условное изображение архитектуры сверточной части нейронной сети; 3) - операция выбора максимума значений выходного вектора среди всех слоев МРТ; 4) - классификатор на нужное число классов; 5) - общие веса слоев нейронной сети.

На фиг. 2 показа график функции потерь на тренировочных данных в процессе обучения, где 1) - предобработанные; 2) - исходного размера.

Осуществление изобретения

Заявленное изобретение раскрывает систему диагностики аномалий на изображениях магнитно-резонансной томографии (МРТ), которая содержит соединенные через сеть медицинское устройство формирования изображения, устройство обработки, устройство хранения данных, один или несколько клиентских терминалов.

Медицинское устройство формирования изображения является устройством формирования изображения, которое используется для сканирования объекта, расположенного в пределах его области обнаружения, и генерации множества данных сканирования (например, цифровых сигналов), используемых для генерации одного или более изображений относящиеся к объекту. В настоящем раскрытии понятия «объект» может включать определенную часть, орган пациента. Например, объект может включать головной мозг.

Устройство обработки может обрабатывать данные и/или информацию, полученные от медицинского устройства формирования изображения и/или устройства хранения. Например, устройство обработки может генерировать одно или несколько медицинских изображений (например, изображений головного мозга) путем обработки данных сканирования (например, цифровых сигналов) от медицинского устройства формирования изображения. В некоторых вариантах реализации устройство обработки может представлять собой компьютер или сервер или группу серверов. Группа серверов может быть централизованной или распределенной. В некоторых вариантах реализации устройство обработки может быть локальным или удаленным.

Сеть может включать в себя любую подходящую сеть, которая может способствовать обмену информацией и/или данными для системы диагностики аномалий. В некоторых вариантах реализации сеть может быть и/или включать в себя общедоступную сеть (например, Интернет), частную сеть (например, локальную сеть (LAN), глобальную сеть (WAN)) и т.д.), проводную сеть (например, сеть Ethernet), беспроводную сеть (например, сеть 802.11, сеть Wi-Fi и т.д.), сотовую сеть (например, сеть долгосрочного развития (LTE)), сеть ретрансляции кадров, виртуальную частную сеть («VPN»), спутниковую сеть, телефонную сеть, беспроводную локальную сеть (WLAN).

Клиентский терминал включает в себя мобильное устройство, планшетный компьютер, портативный компьютер и т.п., или любую их комбинацию.

Устройство хранения данных может быть подключено к сети для связи с одним или более компонентами системы диагностики аномалий (например, медицинским устройством обработки изображений, устройством обработки, клиентским терминалом 13 и т.д.). В некоторых вариантах реализации устройство хранения может быть напрямую подключено или взаимодействовать с одним или несколькими компонентами системы или быть частью устройства обработки или расположено на одном или нескольких серверах.

Заявленная система диагностики использует подход глубокого обучения для классификации результатов МРТ головного мозга как «вероятно нормальные» или «вероятно аномальные».

При решении задачи классификации на МРТ, используемые для обучения метки классов являются "слабыми". "Слабыми" означает то, что для всех слоев МРТ которых может быть больше нескольких сотен мы имеем только одну метку здоров/обнаружена болезнь. То есть часть изображений слоев имеют признаки болезни, но на большей части они отсутствуют. Поэтому предпочтительно использовать архитектуру нейронной сети, в которую подаются все изображения слоев одновременно фиг. 1.

На фиг. 1 показана схема архитектуры нейронной сети для задачи классификации многослойного снимка МРТ, где 1) - изображения слоев МРТ; 2) - условное изображение архитектуры сверточной части нейронной сети; 3) - операция выбора максимума значений выходного вектора среди всех слоев МРТ; 4) - классификатор на нужное число классов; 5) - общие веса слоев нейронной сети.

Размерность таких входных данных значительно превышает количество доступных образцов МРТ по каждому классу данных. Так, например, в открытом наборе данных [The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification", arXiv:2107.02314, 2021] размерность колеблется от 40×256×256 до 176×256×256. В связи с чем возникает проблема шума, которая не позволяет нейронной сети обучиться и качественно детектировать аномалии. На фиг. 2 видно, что суммарная ошибка для всех необработанных данных колеблется около какого-то значения (кривая 2), в то время как должна уменьшаться по мере итераций (кривая 1 для предобработанных данных).

Используемая в данном решении нейронная сеть была обучена на большом разнородном наборе данных, охватывающем широкий спектр патологических (аномальных) состояний, в том числе новообразования, кровоизлияния, инфаркты и другие.

Для обучения нейронной сети используются исторические данные пациентов, в частности, изображения МРТ головного мозга с поставленными диагнозами, собранные за определенный промежуток времени и сохраненные на устройстве хранения.

Изображение МРТ является послойным изображением, каждый срез которого имеет свою толщину.

Для каждого слоя изображения МРТ стоят гистограмму яркости пикселей по осям X и Y.

Алгоритм вычисления яркости по оси X заключается в следующем:

складывают значения яркости пикселей каждого столбца, тем самым получая яркость каждого столбца;

определяют среднее значение яркости для каждого столбца;

вычисляют среднеквадратичное отклонение значения яркости для каждого столбца;

вычисляют произведение суммы значений яркости на среднеквадратичное отклонение для каждого столбца.

Алгоритм вычисления яркости по оси Y заключается в следующем:

складывают значения яркости пикселей каждой строки, тем самым получая яркость каждой строки;

определяют среднее значение яркости для каждой строки;

вычисляют среднеквадратичное отклонение значения яркости для каждой строки;

вычисляют произведение суммы значений яркости на среднеквадратичное отклонение для каждой строки.

Далее для каждого слоя устанавливают пороговое значение по оси X и пороговое значение по оси Y, то есть происходит динамическое изменение порогового значение от слоя к слою. Каждое пороговое значение зависит от максимального значения гистограмм яркости по осям X и Y на каждом слое. Так пороговое значение по оси X (первое пороговое значение) устанавливается в 5% от максимального значения гистограмм яркости по оси X, а пороговое значение по оси Y (второе пороговое значение) устанавливается в 10% от максимального значения гистограмм яркости по оси Y.

Указанные проценты подобраны эмпирически, что бы соблюсти определенный баланс. С одной стороны, чтобы вырезать максимально маленький участок МРТ, но при этом, что бы в него вошли все признаки требуемой патологии (аномалии).

При подборе использовались имеющиеся открытые данные по МРТ головного мозга. Механизм подбора включает следующие шаги:

- создаются случайные подвыборки с различным количеством МРТ,

- вычисляются оптимальные пороги для каждой подвыборки, позволяющие обучить нейронную сеть до максимальной точности,

- в качестве оценки порога берется математическое ожидание от распределения порогов подвыборок из имеющейся совокупности МРТ снимков.

- значение округляется с шагом 5, поскольку оценка достаточно грубая.

После чего из изображения исключаются строки и столбцы, значения яркости для которых ниже установленного порога. То есть исключаются неинформативные области, в которых по оси X исключаются столбцы, значение яркости для которых ниже второго порогового значения, а по оси Y исключаются строки, значение яркости для которых ниже первого порогового значения.

Для улучшения стабильности обучения производится нормализация значений яркости с целью группировки их около нулевого значения (алгоритм препроцессинга). Устанавливают минимальное значение яркости как 10% перцентиль от всех изображений МРТ пациента и максимальное значение яркости как 99% перцентиль от всех изображений МРТ пациента. После чего из всех значений вычитается среднее значение яркости для всех пациентов, и делят полученное значение яркости на среднюю дисперсию по всему набору данных.

Вышеуказанные процентные значения обусловлены следующим. Признаки болезней на МРТ представляют собой контрастные области отличающиеся формой и яркостью от обычных тканей. При этом условия исследования подбираются специально, что бы можно было увидеть достаточно контрастно нужные патологии. Из за этого значения яркости пикселей находятся в очень широком диапазоне, который зависит в том числе от плотности тканей конкретного человека. Динамический диапазон на основе вычисления квантилей позволяет нормировать все значения в диапазоне [-1,1] и при этом отфильтровать выбросы с обоих сторон, в отличие от нормирования с помощью минимума и максимума яркостей. Верхнее значение 99% отсекает слишком яркие твердые ткани черепа и возможные случайные яркие объекты на снимке, но не затрагивает выделенные контрастные области патологий. Нижнее значение 10% подобрано исходя из величины шума наблюдаемых на снимках.

После алгоритма препроцессинга итоговый массив данных, подаваемый на вход нейронной сети, имеет размерность N*224*224, где N - число слоев МРТ. Использование размерности 224 обусловлено тем, что в данном случае для обработки таких данных требуется память меньшего размера, а необходимая видимость признаков патологии сохраняется.

Обученная нейронная сети, сохраняется на устройстве обработки для последующей диагностики аномалий на изображениях МРТ пациента.

Работа системы диагностики заключаются в следующем.

Устройство обработки посредством сети, соединяется с медицинским устройством создания изображения, на котором в режиме реального времени посредством сканирования интересующего органа, например, головы, создается изображение МРТ головного мозга.

Посредством подачи сигнала на медицинское устройство происходит автоматическая передача изображения МРТ на устройство обработки.

Устройство обработки, на котором расположена обученная нейронная сеть, обрабатывает изображение МРТ, для чего на каждом слое отсекаются области, значение яркости пикселей по осям X и Y для которых, ниже установленных пороговых значений.

В результате обработки происходит классификация изображения как «вероятно нормальное» или «вероятно аномальное» с одновременным выделением аномальных областей.

После чего результат обработки сохраняется на устройстве хранения, для последующего использования медицинским работником и/или в режиме реального времени отправляется на клиентское устройство врача.

В одном из вариантов осуществления могут использоваться две нейронной сети. Первая нейронная сеть определяет градацию серого для каждого пикселя и исключает области, для которых значение меньше порогового значения (область фона).

После чего вторая нейронная сеть, алгоритм обучения которой изложен выше, обрабатывает оставшуюся область (область головного мозга), классифицируя изображение и выявляя области аномалий.

Как следует из описания заявленного изобретения, предложенный способ обработки изображений магнитно-резонансной томографии (МРТ) для формирования обучающих данных обеспечивает достижение заявленного технического результата, а именно обеспечивает повышение точности определения аномалий в изображениях МРТ.

Проведенный анализ показывает, что все общие и частные признаки группы изобретений являются существенными, так как каждый из них необходим для промышленного осуществления заявленной группы изобретений, а в совокупности признаки позволяют достичь заявленного технического результата.

Таким образом, в разделах «Уровень техники» и «Раскрытие изобретения» было показано, что все общие и частные признаки предложенного решения являются существенными и в совокупности удовлетворяют критерию патентоспособности «новизна». В разделе «Осуществление изобретения» было показано, что заявленная группа изобретений технически осуществимо, позволяет решать поставленные изобретательские задачи и уверенно достигать требуемого технического результата при его (изобретения) использовании, что свидетельствует о промышленной применимости предложенного способа и устройства. Исходя из сказанного выше, мы считаем, что заявленный способ обработки изображений магнитно-резонансной томографии (МРТ) для формирования обучающих данных, а также способ диагностики аномалий на изображениях магнитно-резонансной томографии (МРТ) пациента с помощью нейронной сети и система диагностики аномалий на изображениях магнитно-резонансной томографии (МРТ) с помощью нейронной сети, удовлетворяют всем требованиям охраноспособности, предъявляемым к изобретениям.

Использование: для обработки изображений магнитно-резонансной томографии (МРТ). Сущность изобретения заключается в том, что способ обработки изображений магнитно-резонансной томографии (МРТ) для формирования обучающих данных реализуется устройством обработки, содержащим процессор, память и машиночитаемые инструкции побуждающие процессор выполнять следующие этапы: прием изображений магнитно-резонансной томографии (МРТ) пациентов; обработка полученных изображений, при которой: определяют значение яркости каждого пикселя; вычисляют гистограмму яркости по оси Y, для чего: вычисляют яркость каждой строки, путем сложения яркостей пикселей каждой строки, определяют среднее значение яркости для каждой строки; вычисляют среднеквадратичное отклонение яркости всех пикселей строки от среднего для этой же строки и для каждой строки вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости; вычисляют гистограмму яркости по оси X, для чего: вычисляют яркость каждого столбца, путем сложения яркостей пикселей каждого столбца, определяют среднее значение яркости для каждого столбца; вычисляют среднеквадратичное отклонение яркости всех пикселей столбца от среднего для этого же столбца и для каждого столбца вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости; устанавливают пороговые значения яркости; исключают по оси Y строки, значение яркости для которых ниже первого порогового значения, а по оси X столбцы, значение яркости для которых ниже второго порогового значения; осуществляют нормализацию полученных изображений; подают итоговое изображение на вход нейронной сети для обучения; сохраняют полученную модель нейронной сети на устройстве обработки. Технический результат: повышение точности определения аномалий в изображениях МРТ. 3 н. и 11 з.п. ф-лы, 2 ил.

1. Способ обработки изображений магнитно-резонансной томографии (МРТ) для формирования обучающих данных, реализуемый устройством обработки, содержащим процессор, память и машиночитаемые инструкции, побуждающие процессор выполнять следующие этапы:

прием изображений магнитно-резонансной томографии (МРТ) пациентов;

обработка полученных изображений, при которой:

определяют значение яркости каждого пикселя;

вычисляют гистограмму яркости по оси Y, для чего: вычисляют яркость каждой строки, путем сложения яркостей пикселей каждой строки, определяют среднее значение яркости для каждой строки; вычисляют среднеквадратичное отклонение яркости всех пикселей строки от среднего для этой же строки и для каждой строки вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости;

вычисляют гистограмму яркости по оси X, для чего: вычисляют яркость каждого столбца, путем сложения яркостей пикселей каждого столбца, определяют среднее значение яркости для каждого столбца; вычисляют среднеквадратичное отклонение яркости всех пикселей столбца от среднего для этого же столбца и для каждого столбца вычисляют произведение суммы яркостей на среднеквадратичное отклонение яркости;

устанавливают пороговые значения яркости;

исключают по оси Y строки, значение яркости для которых ниже первого порогового значения, а по оси X столбцы, значение яркости для которых ниже второго порогового значения;

осуществляют нормализацию полученных изображений;

подают итоговое изображение на вход нейронной сети для обучения;

сохраняют полученную модель нейронной сети на устройстве обработки.

2. Способ по п. 1, отличающийся тем, что первое пороговое значение устанавливается в 10% от максимального значения гистограммы яркости для оси Y.

3. Способ по п. 1, отличающийся тем, что второе пороговое значение устанавливается в 5% от максимального значения гистограммы яркости для оси X.

4. Способ по п. 1, отличающийся тем, что нормализация изображений включает:

установку минимального значения яркости как 10% перцентиль от всех изображений МРТ пациента;

установку максимального значения яркости как 99% перцентиль от всех изображений МРТ пациента;

вычитание из всех значений яркостей среднее значение яркости для всех пациентов;

деление полученного значения яркости на среднюю дисперсию по всему набору данных.

5. Способ по п. 1, отличающийся тем, что итоговое изображение, которое подают на вход нейронной сети, имеет размерность N*224*224.

6. Способ по п. 1, отличающийся тем, что первое и второе пороговые значения вычисляются для каждого слоя изображений МРТ.

7. Способ диагностики аномалий на изображениях магнитно-резонансной томографии (МРТ) пациента с помощью нейронной сети, содержащий этапы:

сканирования пациента медицинским устройством формирования изображения;

отправки полученного изображения МРТ в устройство обработки;

обработки изображения МРТ нейронной сетью, сохраненной в устройстве обработке и обученной способом по п. 1;

выделения на изображении областей, определенных как аномальные;

отправки изображения с выделенными областями на клиентский терминал и/или устройство хранения.

8. Способ по п. 6, отличающийся тем, что изображения принимаются в режиме реального времени.

9. Способ по п. 6, отличающийся тем, что изображения являются изображениями МРТ головного мозга.

10. Способ по п. 6, отличающийся тем, что аномалия представляет собой опухоль.

11. Способ по п. 6, отличающийся тем, что выделение областей имеет цветовую маркировку, определяющую наиболее опасные участки.

12. Система диагностики аномалий на изображениях магнитно-резонансной томографии (МРТ) с помощью нейронной сети, содержащая: взаимосвязанные посредством сети медицинское устройство формирования изображения, устройство обработки, устройство хранения, один или несколько клиентских терминалов, в которой:

медицинское устройство отправляет изображение магнитно-резонансной томографии (МРТ) пациентов в устройство обработки;

устройство обработки выполнено с возможностью:

приема исходного изображения магнитно-резонансной томографии (МРТ) пациента;

обработки исходного изображения МРТ нейронной сетью, обученной способом по п. 1;

выделения областей, определенных как аномальные;

отправки изображения с выделенными областями на клиентский терминал и/или устройство хранения.

13. Система по п. 12, отличающаяся тем, что изображения принимаются в режиме реального времени.

14. Система по п. 12, отличающаяся тем, что клиентский терминал является терминалом медицинского работника или пациента.