МЕТОДИКА ПРИМЕНЕНИЯ СРЕДСТВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ИНТЕРПРЕТАЦИИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ МЕТОДОМ ВЫСОКОРАЗРЕШАЮЩЕЙ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ (ВРКТ), ДЛЯ ДИАГНОСТИКИ ИНТЕРСТИЦИАЛЬНЫХ ЗАБОЛЕВАНИЙ ЛЕГКИХ ЧЕЛОВЕКА (ИЗЛ) Российский патент 2024 года по МПК G16H30/00 A61B8/13 G06T7/10 

ОБЛАСТЬ ТЕХНИКИ

[1] Заявленное техническое решение относится к способу и системе интеллектуального определения наличия патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных высокоразрешающей компьютерной томографии (ВРКТ) легких с использованием искусственного интеллекта (ИИ).

УРОВЕНЬ ТЕХНИКИ

[2] Показания и смысл применения высокоразрешающей компьютерной томографии (ВРКТ) легких - выявление интерстициальных заболеваний легких, эмфиземы, бронхоэктазов и других заболеваний и патологических состояний, которые трудно либо невозможно точно характеризовать при обычной КТ и/или рентгенографии грудной клетки.

[3] Методика ВРКТ легких предполагает выполнение тонких томографических срезов толщиной не более 1,5 мм (обычно менее 1 мм) в сочетании с применением алгоритма высокого пространственного разрешения при реконструкции томографических срезов. Исследование проводится на любом типе компьютерного томографа, в положении пациента на спине, с заведенными за голову руками, на спокойном задержанном вдохе. В ряде случаев исследование может быть дополнено сканированием на выдохе и в положении на животе с целью дифференциальной диагностики выявленных изменений. Обычно используется спиральная технология т сканирования, но может применяться и пошаговая технология. При исследовании грудной клетки ВРКТ чаще всего применяется для выявления, дифференциальной диагностики и наблюдения за течением интерстициальных заболеваний легких (ИЗЛ).

[4] Интерстициальные заболевания легких (ИЗЛ) - гетерогенная группа заболеваний и патологических состояний известной и неизвестной природы, характеризующаяся распространенным, как правило, двусторонним поражением респираторных отделов легких (альвеол, респираторных бронхиол). Часть из них имеет прогрессирующее течение и характеризуется развитием фибротического процесса легких.

[5] Идиопатические интерстициальные пневмонии (ИИП) - группа интерстициальных заболеваний легких неизвестной этиологии, сходными признаками которых являются: преимущественное поражение интерстициальной ткани, прогрессирующий фиброзирующий процесс в легких, сопровождающийся нарастающей с течением времени одышкой и рестриктивными нарушениями вентиляционной способности легких. [I]

[6] Идиопатический легочный фиброз (ИЛФ) - особая форма хронической прогрессирующей фиброзирующей интерстициальной пневмонии неизвестной этиологии; возникает преимущественно у людей старшего возраста, поражает только легкие и связана представлена гистологическим и/или компьютерно-томографическим паттерном обычной интерстициальной пневмонии (ОИП) [II; III]

[7] Согласно предварительным данным, полученным по результатам регистра ИЛФ в Российской Федерации, распространенность ИЛФ в Российской Федерации составляет около 8 - 12 случаев на 100 000 населения, а заболеваемость ИЛФ - 4 - 7 случаев на 100 000 населения [IV]

[8] Медиана выживаемости от момента постановки диагноза ИЛФ составляет от 2 до 3 лет [II], а от момента появления первых симптомов ИЛФ и/или изменений по КТ - 6 лет [V].

[9] Неспецифическая интерстициальная пневмония (НСИП) - одна из форм идиопатических интерстициальных пневмоний, характеризующаяся типичной гистологической картиной мономорфного интерстициального воспаления, характерной компьютерно-томографической картиной и нередко приводит к развитию прогрессирующего легочного фиброза [VI]

[10] Гиперчувствительный пневмонит (ГП) определяется как иммуноопосредованное заболевание, которое проявляется в виде интерстициального заболевания легких у восприимчивых лиц после воздействия на них известного или неизвестного антигена [VII]. Список антигенов, способных вызывать ГП, весьма обширен, вследствие чего можно говорить о широкой географической распространенности заболевания. Среди интерстициальных заболеваний легких ГП занимает 3-е место по частоте встречаемости [VIII]. В настоящее время установлено, что при затяжном течении заболевания ГП способен инициировать процесс фиброзирования легочной ткани, приводящий к выраженной дыхательной недостаточности пациента.

[11] Паттерн ОИП при высокоразрешающей КТ (ВРКТ) органов грудной клетки включает несколько характерных признаков:

- обычно двухсторонние диффузные изменения с преобладанием в кортикальных и базальных отделах легких;

- ретикулярные изменения;

- тракционные периферические бронхо- и/или бронхиолоэктазы;

- сотовое легкое.

Если присутствуют все признаки, то паттерн определяется как типичная ОИП, при отсутствии сотового легкого паттерн рассматривается как вероятная ОИП.

[12] Тракционные периферические бронхоэктазы - неравномерное расширение просветов периферических (мелких) бронхов и бронхиол, вызванное растяжением (тракцией) просвета бронхов легочной ткани в результате прогрессирующего фиброза.

Присутствие тракционных бронхо- и/или бронхиолоэктазов в КТ картине всегда говорит о существующем фиброзе, вне зависимости от клинического диагноза, т.е. является патогномоничным признаком фиброза (фиброзирующего процесса). Поэтому нахождение и выделение искусственным интеллектом тракционных бронхо- и/или бронхиолоэктазов и прилегающей областей фиброзной ткани является основной концепцией для разработки данной методики.

[13] Из уровня техники известна заявка на изобретение US20230298756A1 (патентообладатель Brainomix Ltd, опубл. 2023-09-21). В данном решении описан компьютерный способ количественной оценки и прогнозирования прогрессирования интерстициального заболевания легких. Способ включает получение по меньшей мере одного изображения на основе сканирования по меньшей мере части легкого пациента, сегментирование изображения для получения маски легкого, определяющей периферию легкого, и идентификацию структур внутри маски легкого, а также применение взвешивания к идентифицированные структуры на основе относительного положения структур относительно периферии легких для получения взвешенной оценки. Затем способ может включать количественную оценку степени интерстициального заболевания легких и/или прогнозирование прогрессирования интерстициального заболевания легких на основе взвешенного показателя.

[14] Однако, указанное выше решение осуществляет выявление прогрессирования ИЗЛ (Интерстициальных заболеваний легких) путем комбинированной оценки нескольких признаков, таких как размер ветвей легочных артерий, матовое стекло, мозаичная плотность и другие, но не определяется «тракционный бронхоэктаз», а это является ключевым признаком, на основе которого построена методика заявленного решения. Таким образом, в заявленном решении и известном из уровня техники решении применяются различные методики.

РАСКРЫТИЕ ИЗОБРЕТЕНИЯ

[15] В заявленном техническом решении предлагается новый подход, к интеллектуальному анализу исследований ВРКТ легких для выявления патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза с использованием искусственного интеллекта.

[16] Заявленное техническое решение выполняет классификацию ВРКТ исследований пациентов, а также сегментирует пораженные участки, что помогает в определении тяжести заболевания и отслеживании прогрессирования заболевания.

[17] В заявленном решении используется искусственный интеллект с целью определения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза.

[18] Эффективность данного решения подтверждается повышением точности выявления фиброзирующего процесса и объективным подсчетом объема поражения легочной ткани. Данный подход позволяет уменьшить количество ложноотрицательных результатов при интерпретации изображений пациентов с легочным фиброзом, в том числе при анализе больших объемов КТ-исследований грудной клетки с использованием программ искусственного интеллекта. При этом правильность оценки патологических изменений как фиброзных соответствует результатам рентгенологов с большим стажем работы в этой области.

[19] Таким образом, решается техническая проблема точного автоматического определения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, а также подсчет объема поражения им легочной ткани.

[20] Техническим результатом, достигающимся при решении данной проблемы, является повышение точности определения наличия и распространенности патологического фиброзирующего процесса в легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, на исследованиях ВРКТ легких пациентов с использованием искусственного интеллекта (ИИ).

[21] Указанный технический результат достигается благодаря осуществлению компьютерно-реализуемого способа с использованием искусственного интеллекта для определения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных ВРКТ легких, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, на которых:

ο получают исследования ВРКТ легких в формате DICOM;

ο осуществляют классификацию наличия патогномоничного признака фиброзирующего процесса в полученных исследованиях с помощью сверточной нейронной сети (СНС);

ο при отсутствии патогномоничного признака выдается результат об отсутствии КТ признаков фиброзируещего процесса;

ο при наличии патогномоничного признака происходит его локализация в полученных исследованиях - сегментация;

ο сегментацию осуществляют для каждого полученного исследования ВРКТ с помощью СНС, обученной на массиве изображений исследований ВРКТ с толщиной среза не более 1,5 мм легких пациентов с патологическим фиброзирующим процессом в легочной ткани, при этом выделяют области пораженных фиброзом областей для получения маски легочной ткани, в которой каждый пиксель соответствует пикселю на исходном исследовании, где каждому пикселю присвоено значение 1, если он относится к области с патогномоничным признаком фиброзного процесса, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, или значение 0 в противном случае;

ο после сегментации осуществляется подсчет объема поражения легочной ткани фиброзирующим процессом на основе полученной маски сегментации.

[22] Кроме того, заявленный технический результат достигается за счет системы с использованием искусственного интеллекта для выявления и выделения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных ВРКТ легких, содержащей:

ο по меньшей мере один процессор;

ο по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивают выполнение по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивают выполнение способа определения патогномоничного при-знака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных высокоразрешающей компьютерной томографии (ВРКТ) легких.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[23] Признаки и преимущества настоящего изобретения станут очевидными из приводимого ниже подробного описания изобретения и прилагаемых чертежей.

[24] Фиг. 1 иллюстрирует пример реализации способа с использованием искусственного интеллекта для определения патогномоничного признака фиброзирующего процесса легочной ткани.

[25] Фиг. 2 иллюстрирует результаты разметки на ВРКТ-исследовании органов грудной клетки с помощью программы искусственного интеллекта по сравнению с разметкойй врачом рентгенологом экспертом.

[26] Фиг. 3 иллюстрирует пример пространственной пирамидальной пуллинговой операции, которая объединяет признаки разных масштабов для получения более полного контекста.

[27] Фиг. 4 иллюстрирует визуализацию долей правого и левого легкого.

[28] Фиг. 5 иллюстрирует работу алгоритма по сравнению с разметкой врача-рентгенолога.

[29] Фиг. 6 иллюстрирует работу алгоритма по сравнению с разметкой врача-рентгенолога.

[30] Фиг. 7 иллюстрирует общий вид системы интеллектуального выявления и выделения патогномоничного признака фиброзирующего процесса легочной ткани.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

[31] Данное техническое решение может быть реализовано на компьютере, в виде автоматизированной информационной системы (АИС) или машиночитаемого носителя, содержащего инструкции для выполнения вышеупомянутого способа.

[32] Техническое решение может быть реализовано в виде распределенной компьютерной системы.

[33] В данном решении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, чётко определённую последовательность вычислительных операций (действий, инструкций).

[34] Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы)/

[35] Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных, например таких устройств, как оперативно запоминающие устройства (ОЗУ) и/или постоянные запоминающие устройства (ПЗУ). В качестве ПЗУ могут выступать, но, не ограничиваясь, жесткие диски (HDD), флеш-память, твердотельные накопители (SSD), оптические носители данных (CD, DVD, BD, MD и т.п.) и др.

[36] Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.

[37] Технологии на базе искусственного интеллекта становятся все более востребованными в медицине и здравоохранении. Уже сейчас эксперты высоко оценивают потенциал нейросетей: от возможности точно диагностировать серьезные заболевания (например, ишемическую болезнь сердца) до разработки новых лекарств и дженериков.

[38] Медицинская, или диагностическая, визуализация помогает специалистам увидеть состояние внутренних органов, костей и тканей пациента, чтобы поставить точный диагноз. МРТ, УЗИ, КТ, ВРКТ, рентгеновский снимок, флюороскопия - наиболее известные нам методы визуализации. При работе с ними ИИ способен производить необходимые вычисления: сегментировать, классифицировать и регистрировать.

[39] Как показано на Фиг. 1, заявленный способ (100) с использованием искусственного интеллекта для определения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных высокоразрешающей компьютерной томографии (ВРКТ) легких, состоит из нескольких этапов.

[40] На этапе (101) получают исследования ВРКТ легких в формате DICOM.

[41] Далее на этапе (102) осуществляют классификацию наличия патогномоничного признака фиброзирующего процесса в полученных исследованиях с помощью СНС.

[42] Далее на этапе (103) при отсутствии патогномоничного признака выдается результат об отсутствии фиброзируещего процесса.

[43] Далее на этапе (104) при наличии патогномоничного признака происходит его локализация в полученных исследованиях - сегментация.

[44] Далее на этапе (105) осуществляют сегментацию для каждого полученного исследования ВРКТ с помощью СНС, обученной на массиве изображений исследований ВРКТ с толщиной среза не более 1,5 мм легких пациентов с патологическим фиброзирующим процессом в легочной ткани, при этом выделяют области пораженных фиброзом областей для получения маски легочной ткани, в которой каждый пиксель соответствует пикселю на исходном исследовании, где каждому пикселю присвоено значение 1, если он относится к области с патогномоничным признаком фиброзного процесса, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, или значение 0 в противном случае.

[45] После чего на этапе (106) осуществляется подсчет объема поражения легочной ткани фиброзирующим процессом на основе полученной маски сегментации.

[46] В заявленном техническом решении, для сегментации и классификации исследований ВРКТ легких, используется сверточная нейронная сеть, с целью определения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза.

[47] В заявленном решении распознавание патологии можно разделить на три этапа:

[48] 1. обработка полученного dicom-исследования;

[49] 2. классификация вероятности наличия фиброзирующего процесса;

[50] 3. сегментация областей фиброзирующего процесса;

[51] подсчет объемов поражения легкого по каждой доле легкого.

[52] Обработка полученного DICOM-исследования.

В dicom-исследовании, из имеющихся серий выбирается легочная реконструкция. При этом изначальная толщина срезов в серии не должна варьироваться и быть более 1 мм.

Для обработки алгоритмом, трехмерное изображение, полученное из серии, интерполируется в размерность [256, 256, 256], затем к нему применяется легочное окно (ширина окна: 1800, уровень окна: -300). Финальным этапом обработки изображения является нормализация - воксели трехмерного изображения преобразуются в интервал [0, 1]

[53] Классификация вероятности наличия фиброзирующего процесса.

Этап определения вероятности наличия патологии представляет собой сверточную нейросеть c архитектурой ResNet-50, адаптированную для работы с трехмерными изображениями. Архитектура состоит из следующих слоев:

- Архитектура ResNet50

Сверточный слой, свертка (Convolutional Layer) является основным строительным блоком в нейронных сетях, применяемых для обработки изображений. Он выполняет свертку (convolution) операцию над входным изображением, используя набор фильтров (ядер), чтобы извлечь признаки из изображения.

Каждый фильтр представляет собой небольшую матрицу весов, которая скользит (свертывается) по входному изображению и выполняет умножение элементов фильтра на соответствующие элементы входного изображения. Результатом свертки является карта признаков, которая выделяет различные аспекты изображения, такие как границы, текстуры или формы объектов.

Сверточные слои обладают несколькими важными свойствами.

Во-первых, они обеспечивают параметрическую инвариантность, то есть малые изменения входного изображения приводят только к незначительным изменениям на выходе.

Во-вторых, сверточные слои позволяют сети извлекать локальные пространственные зависимости, что особенно полезно для обработки изображений.

- Batch normalization (нормализация пакета) является важной техникой в области сверточных нейронных сетей. Она была разработана для улучшения скорости и стабильности обучения сети. Во время обучения сверточной сети, значения активаций на каждом слое могут сильно меняться. Это может привести к проблеме известной как "internal covariate shift" (сдвиг внутренней ковариации), когда распределение активаций меняется между примерами данных или даже внутри одного батча. Это затрудняет обучение сети и требует использования более низких скоростей обучения. Batch normalization решает эту проблему, нормализуя активации на каждом слое. Она применяется после операции свертки или полносвязного слоя и перед функцией активации. Нормализация выполняется по каждому признаку (каналу) внутри батча.

- ReLU (выпрямленная линейная единица) также является функцией активации, широко используемой в нейронных сетях. Она применяет нелинейное преобразование к входным данным.

ReLU определяется следующим образом:

```

ReLU(x) = { x, x >= 0

{ 0, x < 0

```

Суть ReLU заключается в том, что она пропускает положительные значения без изменений, а все отрицательные значения преобразует в ноль. Это делает ее более простой и вычислительно эффективной по сравнению с другими функциями активации, такими как сигмоида или гиперболический тангенс.

- LeakyReLU (линейно-активированная выпрямленная линейная единица) является функцией активации, которая широко используется в сверточных нейронных сетях. Она является модификацией активационной функции ReLU (выпрямленная линейная единица). В отличие от ReLU, которая обнуляет все отрицательные значения, LeakyReLU имеет небольшую наклонную линейную часть для отрицательных значений. Это позволяет избежать "мертвых" нейронов и проблемы исчезающего градиента, которые могут возникнуть при использовании ReLU.

Функция LeakyReLU определяется следующим образом:

```

LeakyReLU(x) = { x, x >= 0

{ α * x, x < 0

```

где α - это маленькое положительное число, которое определяет наклон линейной части для отрицательных значений. Обычно α устанавливается на небольшое значение, например, 0.01.

- Bottleneck: блок Bottleneck является основной строительной единицей в архитектуре ResNet. Он состоит из трех последовательных слоев: сверточный слой размером [1, 1, 1], сверточный слой [3, 3, 3] и еще один [1, 1, 1] сверточный слой. После каждого слоя следует Batch Normalization. А в конце добавляется функция активации ReLU. Этот блок позволяет сети извлекать более сложные и абстрактные признаки, сохраняя при этом информацию о пространственной структуре изображения.

- Первый [1, 1, 1], сверточный слой выполняет уменьшение размерности признакового пространства.

- Затем следует [3, 3, 3] сверточный слой, который выполняет свертку и извлечение признаков.

- Наконец, второй [1, 1, 1], сверточный слой восстанавливает размерность признакового пространства.

[54] Шаги в архитектуре ResNet-50:

1. Свертка 64 фильтрами размером [7, 7, 7], применяемая с шагом 2, с последующим применением BatchNormalization, активации через LeakyReLU, и выполнением Average-pooling размером [3, 3, 3].

2. Карты признаков параллельно проходят через блок Bottleneck со следующими слоями:

1. Свертка с 64 фильтрами размером [1, 1, 1]

2. Свертка с 64 фильтрами размером [3, 3, 3]

3. Свертка с 256 фильтрами размером [1, 1, 1]

и через дополнительный слой снижения размерности с 256 фильтрами и активацией ReLU. Результаты суммируются с входными картами признаков. Далее идут два аналогичных блока Bottleneck.

3. Свертки Bottleneck - блока имеют 128, 128, 512 фильтров соотвественно, после первого идут три аналогичных блока. В остальном - идентично предыдущему шагу.

4. Свертки Bottleneck - блока имеют 256, 256, 1024 фильтров соотвественно, после первого идут пять аналогичных блока. В остальном - идентично предыдущему шагу.

5. Свертки Bottleneck - блока имеют 512, 512, 2048 фильтров соответственно, после первого идут два аналогичных блока. В остальном - идентично предыдущему шагу.

6. После этого, полученные карты признаков проходят через Average-pooling размером [32, 32, 32], а затем через полносвязный слой, выходящий в 1 нейрон. После применения операции сигмоиды, этот нейрон соответствует вероятности наличия признаков фиброзирующего процесса.

При обучении данной сети использовалась техника Transfer Learning, заключающаяся в предобучении архитектуры на 1638 уникальных анонимизированных исследованиях ВРКТ с толщиной среза от 0,5 до 1,5 мм, и затем дообучении на 492 уникальных анонимизированных исследованиях ВРКТ с толщиной среза от 0,5 до 1,5 мм под конкретную задачу [IX]. Для обучения была использована ВРКТ-серия, сканированная в режиме легочного окна.

Каждая из этих серий была размечена рентгенологами в полуавтоматическом режиме с использованием специального программного обеспечения для просмотра медицинских изображений с целью последующей сегментации. Для получения маски сегментации врачи-рентгенологи сегментировали зоны поражения с помощью инструмента «Полигон» в специализированном ПО для разметки медицинских изображений.

[55] При вероятности наличия фиброзирующего процесса выше установленого порога, исследование считается как патологичное и запускается алгоритм сегментации пораженных фиброзом областей.

[56] Cегментация областей фиброзирующего процесса

[57] Следующим шагом используемого алгоритма является выделение области пораженных фиброзом областей. Результатом данного шага будет трехмерное бинарное изображение размера [256, 256, 256], где каждый воксель имеет значение либо 0 (поражение отсутствует), либо 1 (область поражения).

Для решения данной задачи используется двухмерная нейросеть DeepLabV3, которая применяется ко всем срезам по оси z трехмерного изображения.

DeepLabV3 - это архитектура семантической сегментации, которая использует сверточные нейронные сети для выделения объектов на изображении и классификации пикселей. Она использует сверточные слои с пропусками и пространственную пирамидальную пуллинговую операцию для получения более полного контекста изображения

[58] Архитектура DeepLabV3 включает в себя несколько ключевых компонентов:

- Основная сверточная нейронная сеть, или энкодер, который извлекает признаки из изображения. В данном случае, используется сверточная нейросеть EfficientNet-B3, суть которой в оптимальном соотношении глубины, ширины каналов, и разрешении [X].

- Пространственная пирамидальная пуллинговая операция, которая объединяет признаки разных масштабов для получения более полного контекста (рис. 3).

- Декодер, который восстанавливает пространственную информацию и производит классификацию пикселей.

Подробнее данная архитектура разобрана в [XI].

[59] Подсчет объемов поражения легкого по каждой доле легкого

Получив трехмерную бинарную маску, отдельно используется алгоритм сегментации долей легких. Он основан на архитектуре U-Net [XII]. Данный алгоритм использует трехмерное изображение размера [160, 160, 160] c легочным окном, и выдает 5 бинарных масок, соответствующих одной из 5 долей легких (рис. 4).

По каждой из долей, на основании полученной бинарной маски сегментации фиброзирующего процесса алгоритм выдает процент поражения, путем деления суммы вокселей области поражения внутри доли на сумму вокселей соответствующей доли.

[60] Применяемый метод ориентирован прежде всего на врачей рентгенологов, однако, использование искусственного интеллекта в оценке легочного фиброза позволит упростить анализ результатов высокоразрешающей компьютерной томографии для врачей ревматологов, пульмонологов и терапевтов, врачей общей практики. Более того возможность сравнения и получение цифровых данных о прогрессировании процесса в динамике позволит ускорить процесс приема решения о назначении антифибротических препаратов.

[61] На фигуре 2 изображены результаты разметки с помощью программы искусственного интеллекта по сравнению с данными, полученными врачом рентгенологом экспертом (стаж работы более 10 лет). При этом, а - нативное исследование, б - разметка, выполненная с помощью искусственного интеллект, в - результаты разметки, выполненной экспертом рентгенологом. При статистическом анализе полученных результатов, с учетом второго экспертного мнения, показано высокое согласие между наблюдателями, а Каппа Коэна (коэффициент согласия между наблюдателями) составляет до 0,89.

[62] Особое значение при этом имеет возможность автоматического подсчета протяженности выявленных изменений.

[63] Ниже приведены клинические примеры эффективности работы данного решения.

[64] Клинический кейс ИЛФ: Мужчина 1958 г рождения.

Жалобы на одышку, кашель, в течение дня, со скудной мокротой появились весной 2016 г. Беспокоила изжога.

Наблюдался у терапевта с диагнозом хронический бронхит. Одышка с течением времени прогрессировала. Нарастала слабость, одышка при незначительной физической нагрузке, кашель.

Диагноз: Идиопатический легочный фиброз (ИЛФ) поставлен в 2018г во время госпитализации в связи с ухудшением состояния.

Сопутствующее заболевание: гастродуоденальный рефлюкс.

Анамнез: Пациент в настоящее время не курит, в прошлом стаж курения 20 (10 пачка-лет).

Физикальные данные: при осмотре у пациента обнаружены утолщение дистальных фаланг пальцев рук по типу "барабанных палочек".

При аускультации выслушивается двухсторонняя инспираторная крепитация в базальных отделах легких, по типу хрипов «velcro».

При исследовании функции внешнего дыхания выявлено снижение функции внешнего дыхания с тенденцией к рестриктивному типу.

Как видно из таблиц 1, 2 и 3 приведены показатели с показателями функциями внешнего дыхания и диффузионной способности легких.

Таблица 1. Данные спирометрии

Наименования показателей функции внешнего дыхания Значение показателя ЖЕЛ, литры 2,5 ЖЕЛ, % 72.7 ФЖЕЛ, литры 3 ФЖЕЛ, % 75.3 ОФВ1, литры 2,3 ОФВ1, % 85.3 ОФВ1/ФЖЕЛ, % 92%

Таблица 2. Данные диффузионной способности легких

Наименования показателей функции внешнего дыхания Значение показателя Дата DLCO в анамнезе 10.10.2017 DLCO, % 48.5 DLCO, % на момент госпитализации 40,7

Таблица 3 Данные 6-минутного теста

6-минутный тест (27.04.2018) Значение показателя Дистанция, м 359 Сатурация до 96 Сатурация после 91 СДЛА, мм рт.ст. 30 мм

Выраженное снижение диффузионной способности легких.

Исследование на ревматоидные иммунно-воспалительные заболевания отрицательные.

Исследование ВРКТ (26.04.2018) (см. фиг. 5).

Заключение:

Качество исследования: достаточное для интерпретации.

Патологические изменения в легких: ретикулярные изменения, сопровождающиеся тракционными бронхоэктазами и сотовым легким. Распределение изменений кортикальное с преобладанием в базальных отделах и передних отделах верхних долей.

Другие признаки: просветы крупных бронхов не изменены. Жидкость в плевральных полостях не определяется. Внутригрудные лимфатические узлы не увеличены. Легочная артерия не расширена. Костных деструктивных изменений в зоне исследования не выявлено.

Заключение: фиброзирующее интерстициальное заболевание легких (паттерн фиброза наиболее соответствует обычной интерстициальной пневмонии).

Гистологическое исследование. (30.04.2018)

Мозаичный фиброз со множеством полостей, выстланных однорядным, местами метаплазированным плоским эпителием, часть полостей заполнены слизью, встречаются бронхиолоэктазы, фибробластические фокусы в стенках терминальных бронхиол с сужением просветов, а также в стенках полостей, пролиферация гладких мышц в стенках альвеол, хрящевой бронх обычного строения. Гипертрофия мышечной оболочки стенок ветвей легочной артерии. Реактивные изменения лимфатического узла.

Заключение: Гистологическая картина обычной интерстициальной пневмонии. Гистологические признаки вторичной легочной артериальной гипертензии.

Пациенту назначена антифибротическая терапия.

[65] Клинический кейс пациента с Гиперчувствительным пневмонитом, фиброзная стадия: Больной М, мужчина, 1952 года рождения.

Анамнез: считает себя больным с 2014 г., когда появились жалобы на одышку, кашель с незначительным количеством мокроты, слизистого характера до 10 мл в сутки. Кашель в основном беспокоил в дневное и вечернее время.

На фоне ухудшения состояния в 2017 г. пациент был госпитализирован для обследования и верификации диагноза.

В анамнезе курение в течение 20лет (20пачка/лет).

Факторы риска - работал в сельском хозяйстве, на ферме, постоянный контакт с животными.

Физикальные данные: Значение одышки по шкале MRC на момент регистрации - 2, одышка при ходьбе с ровесником, из-за одышки пациент вынужден останавливаться при ходьбе по ровной местности в своем обычном темпе.

При аускультации выслушивается двухсторонняя, достаточно выраженная инспираторная крепитация в нижнезадних отделах легких, по типу треска целлофана.

Тест с шестиминутной ходьбой от 17.07.2017:

Дистанция - 410 м;

Сатурация до нагрузки (ходьбы) 98%;

Сатурация после нагрузки - 92 %;

Одышка по шкале Борг до нагрузки-2;

Одышка по шкале Борг после нагрузки-4;

Клинический анализ крови без особенностей, за исключением повышенного СОЭ-26 мм/ч;

Количеств эозинофилов в крови в пределах нормы.

Маркеры аутоиммунных и иммунно-воспалительных ревматических заболеваний -отрицательные.

Ниже в таблицах 4 и 5 представлены данные показателей функции внешнего дыхания.

Таблица 4

Данные показателей функции внешнего дыхания 17.07.2021 ЖЕЛ, литры 3.29 ЖЕЛ, % 88.5 ФЖЕЛ, литры 3.29 ФЖЕЛ, % 91.7 ОФВ1, литры 2.94 ОФВ1, % 104.8 ОФВ1/ФЖЕЛ, % 89.36170212766 МОС 25-75, % 134.2

Таблица 5

Дата бодиплетизмографии в анамнезе 17.07.2017 TLC, литры 3.55 TLC, % 56.6 RV, литры n/a RV, % n/a ЖЕЛ, литры 4.3 ЖЕЛ, % 115 RAW, % 217 RAW, кПа/сек/л 0.65 ФОЕ, л n/a ФОЕ, % n/a СДЛА, мм рт.ст. 29

Данные исследования функции внешнего дыхания: рестриктивный тип нарушений, с выраженным снижением диффузионной способности легких

ВРКТ от (18.07.2017) (см. фиг. 6).

Описание:

Качество исследования: достаточное для интерпретации.

Патологические изменения в легких: участки уплотнения легочной ткани по типу матового стекла, ретикулярные изменения, сопровождающиеся тракционными бронхоэктазами и участками сотового легкого. Распределение изменений диффузное с преобладанием в периферических отделах. Определяется диффузная мозаичность вентиляции легочной ткани.

Другие признаки: просветы крупных бронхов не изменены. Жидкость в плевральных полостях не определяется. Внутригрудные лимфатические узлы не увеличены. Легочная артерия не расширена. Костных деструктивных изменений в зоне исследования не выявлено.

Заключение: фиброзирующее интерстициальное заболевание легких (паттерн фиброза наиболее соответствует фиброзирующему гиперсенситивному пневмониту).

Пациенту была проведена хирургическая биопсия легких (20.07.2017).

Гистологическое описание:

Множественные полости, выстланные однорядным, местами реснитчатым или метаплазированным плоским эпителием, в стенках полостей фиброз и пролиферация гладких мышц, встречаются бронхиолоэктазы, очаговая аденоматозная гиперплазия, гигантские многоядерные клетки с игольчатыми структурами в просветах и стенках полостей, фрагмент костной ткани. Мускуляризация артериол с сужением просветов, гипертрофия мышечной оболочки ветвей легочной артерии.

Заключение: Гиперсенситивный пневмонит, фиброзная стадия с микросотами и бронхиолоэктазами.

[66] На Фиг. 7 представлен пример общего вида вычислительной системы (300), которая обеспечивает реализацию заявленного способа или является частью компьютерной системы, например, сервером, персональным компьютером, частью вычислительного кластера, обрабатывающим необходимые данные для осуществления заявленного технического решения.

[67] В общем случае, система (300) содержит объединенные общей шиной информационного обмена один или несколько процессоров (301), средства памяти, такие как ОЗУ (302) и ПЗУ (303), интерфейсы ввода/вывода (304), устройства ввода/вывода (1105), и устройство для сетевого взаимодействия (306).

[68] Процессор (301) (или несколько процессоров, многоядерный процессор и т.п.) может выбираться из ассортимента устройств, широко применяемых в настоящее время, например, таких производителей, как: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. Под процессором или одним из используемых процессоров в системе (300) также необходимо учитывать графический процессор, например, GPU NVIDIA или Graphcore, тип которых также является пригодным для полного или частичного выполнения способа, а также может применяться для обучения и применения моделей машинного обучения в различных информационных системах.

[69] ОЗУ (302) представляет собой оперативную память и предназначено для хранения исполняемых процессором (301) машиночитаемых инструкций для выполнение необходимых операций по логической обработке данных. ОЗУ (302), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.). При этом, в качестве ОЗУ (302) может выступать доступный объем памяти графической карты или графического процессора.

[70] ПЗУ (303) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш-память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD-R/RW, BlueRay Disc, MD) и др.

[71] Для организации работы компонентов системы (300) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (304). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п.

[72] Для обеспечения взаимодействия пользователя с вычислительной системой (300) применяются различные средства (305) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.

[73] Средство сетевого взаимодействия (306) обеспечивает передачу данных посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (306) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.

[74] Представленные материалы заявки раскрывают предпочтительные примеры реализации технического решения и не должны трактоваться как ограничивающие иные, частные примеры его воплощения, не выходящие за пределы испрашиваемой правовой охраны, которые являются очевидными для специалистов соответствующей области техники.

Источники информации:

I. Travis\ W.D., Costabel U., Hansell D.M. and ATS/ERS Committee on Idiopathic Interstitial Pneumonias. An official American Thoracic Society/European Respiratory Society statement: update of the international multidisciplinary classification of the idiopathic interstitial pneumonias. Am J Respir Crit Care Med 2013; 188: 733-748.

II. Raghu G., Collard H.R., Egan J.J. and ATS/ERS/JRS/ALAT Committee on Idiopathic Pulmonary Fibrosis. An official ATS/ERS/JRS/ALAT statement: idiopathic pulmonary fibrosis; evidence-based guidelines for diagnosis and management. Am J Respir Crit Care Med 2011; 183: 788-824.

III. Raghu G., Rochwerg B., Zhang Y. et al. An Official ATS/ERS/JRS/ALAT Clinical Practice Guideline: Treatment of Idiopathic Pulmonary Fibrosis: Executive Summary An Update of the 2011 Clinical Practice Guideline. Am J Respir Crit Care Med 2015; 192: e3-e19.

IV. Richeldi L, Rubin A, Avdeev S, Udwadia ZF, Xu ZJ. Idiopathic pulmonary fibrosis in BRIC countries: the cases of Brazil, Russia, India, and China. BMC Medicine 2015; 13: 237.

V. King T.E., Tooze J.A., Schwarz M.I. et al. Predicting survival in idiopathic pulmonary fibrosis: scoring system and survival model. Am J Respir Crit Care Med 2001; 164: 1171- 118.

VI. Е.Л. Насонов, С.Н. Авдеев , И.Е. Тюрин , Ананьева Л.П. , А.М. Лила, С.А. Терпигорев и др. Хронические фиброзирующие интерстициальные заболевания легких с прогрессирующим фенотипом https://rheumatolog.ru/sites/default/files/rezolyuciya_pf-izl_2020.pdf.

VII. Raghu G, Remy-Jardin M, Ryerson CJ, et al. Diagnosis of Hypersensitivity Pneumonitis in Adults. An Official ATS/JRS/ALAT Clinical Practice Guideline. Am J Respir Crit Care Med. 2020;202(3): e36-69. DOI:10.1164/rccm.202005-2032st.

VIII. Cottin V, Hirani NA, Hotchkin DL, et al. Presentation, diagnosis and clinical course of the spectrum of progressive-fibrosing interstitial lung disеases. Eur Respir Rev. 2018; 27(150):180076. DOI:10.1183/16000617.0076-2018.

IX. Sihong Chen, Kai Ma, Yefeng Zheng, 2019. Med3D: Transfer Learning for 3D Medical Image Analysis.

X. Mingxing Tan, Quoc V. Le, 2019. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks.

XI. Liang-Chieh Chen, George Papandreou, Florian Schroff, Hartwig Adam, 2017. Rethinking Atrous Convolution for Semantic Image Segmentation.

XII. 1. Özgün Çiçek, Ahmed Abdulkadir, Soeren S. Lienkamp, Thomas Brox, Olaf Ronneberger, 2016. 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation.

Заявленная группа изобретений относится к способу и системе интеллектуального определения наличия патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных высокоразрешающей компьютерной томографии (ВРКТ) легких с использованием искусственного интеллекта (ИИ). Предложен способ, реализуемый системой, для определения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных высокоразрешающей компьютерной томографии (ВРКТ) легких, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, на которых: получают исследования ВРКТ легких в формате DICOM; осуществляют классификацию наличия патогномоничного признака фиброзирующего процесса в полученных исследованиях с помощью сверточной нейронной сети (СНС); при отсутствии патогномоничного признака выдается результат об отсутствии КТ признаков фиброзирующего процесса; при наличии патогномоничного признака происходит его локализация в полученных исследованиях - сегментация; сегментацию осуществляют для каждого полученного исследования ВРКТ с помощью СНС, обученной на массиве изображений исследований ВРКТ с толщиной среза не более 1,5 мм легких пациентов с патологическим фиброзирующим процессом в легочной ткани, при этом выделяют области пораженных фиброзом областей для получения маски легочной ткани, в которой каждый пиксель соответствует пикселю на исходном исследовании, где каждому пикселю присвоено значение 1, если он относится к области с патогномоничным признаком фиброзного процесса, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, или значение 0 в противном случае; после сегментации осуществляется подсчет объема поражения легочной ткани фиброзирующим процессом на основе полученной маски сегментации. Группа изобретений обеспечивает повышение точности определения наличия и распространенности патологического фиброзирующего процесса в легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, на исследованиях ВРКТ легких пациентов с использованием искусственного интеллекта (ИИ). 2 н.п. ф-лы., 7 ил., 5 табл.

1. Компьютерно-реализуемый способ с использованием искусственного интеллекта для определения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных высокоразрешающей компьютерной томографии (ВРКТ) легких, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, на которых:

- получают исследования ВРКТ легких в формате DICOM;

- осуществляют классификацию наличия патогномоничного признака фиброзирующего процесса в полученных исследованиях с помощью сверточной нейронной сети (СНС);

- при отсутствии патогномоничного признака выдается результат об отсутствии КТ признаков фиброзирующего процесса;

- при наличии патогномоничного признака происходит его локализация в полученных исследованиях – сегментация;

- сегментацию осуществляют для каждого полученного исследования ВРКТ с помощью СНС, обученной на массиве изображений исследований ВРКТ с толщиной среза не более 1,5 мм легких пациентов с патологическим фиброзирующим процессом в легочной ткани, при этом выделяют области пораженных фиброзом областей для получения маски легочной ткани, в которой каждый пиксель соответствует пикселю на исходном исследовании, где каждому пикселю присвоено значение 1, если он относится к области с патогномоничным признаком фиброзного процесса, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, или значение 0 в противном случае;

- после сегментации осуществляется подсчет объема поражения легочной ткани фиброзирующим процессом на основе полученной маски сегментации.

2. Система с использованием искусственного интеллекта для выявления и выделения патогномоничного признака фиброзирующего процесса легочной ткани, а именно тракционных бронхо- и бронхиолоэктазов и прилегающих областей фиброза, с помощью анализа данных высокоразрешающей компьютерной томографии (ВРКТ) легких, содержащая:

- по меньшей мере один процессор;

- по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивают выполнение способа п.1.