Выявление переломов в шейном отделе позвоночника

Разработанное решение использует передовые методы обработки изображений и модели машинного обучения для обнаружения переломов шейного отдела позвоночника по данным компьютерной томографии. Анализируя структуру и плотность костей, наша модель точно определяет места переломов, помогая врачам своевременно проводить диагностику и предотвращать возможные осложнения.

Задача

Одним из наиболее часто встречающихся переломов позвоночника у людей является перелом в шейном отделе позвоночника. Увеличение частоты случаев таких травм характерно для людей старшего возраста. Обнаружение указанных повреждений усложняется тем фактом, что у пожилых людей труднее идентифицировать места переломов в шейном отделе позвоночника из-за наложения дегенеративных заболеваний и остеопороза.

Наиболее популярной методологией визуальной диагностики переломов позвоночника у взрослых является компьютерная томография (КТ). Ранее применялись методики, использующие рентгеновское излучение (рентген). Однако одной из значимых причин использования сейчас КТ вместо рентгена при травмах позвоночника стала оперативность при выявлении места перелома, что минимизирует или даже предотвращает посттравматические неврологические осложнения или паралич.

Обзор решения

Для решения задачи по выявлению переломов в шейном отделе позвоночника был использован исходный набор экспериментальных данных, который включал КТ снимки пациентов, полученные с 6 континентов, и насчитывал более 3 000 результатов. В организации данных принимали участие специалисты-радиологи из Американского общества нейрорадиологии (ASNR) и Американского общества радиологии позвоночника (ASSR). В результате удалось получить размеченные изображения и описание к ним.

Для начала нам нужно было обработать базу данных из 2 000 пациентов, в которой на каждого человека было сделано примерно 200 снимков КТ. Благодаря первоначальной экспертной поддержке врачей-радиологов, которые указали на уровень позвонков, наличие и расположение любых переломов шейного отдела позвоночника, наша команда выявила 1 000 человек с переломами. Несмотря на наличие большого количества снимков для каждого такого пациента, только на нескольких изображениях было видно какие-либо переломы, но и они, как правило, были едва заметные.

Чтобы избежать переобучения модели, мы разделили шейный отдел позвоночника на отдельные позвонки и работали как по отдельности с каждым из них, так и сразу полным составом. Для этого мы применили двухмерную семантическую сегментацию с использованием масок позвонков, которые были предоставлены только для 87 пациентов. Несмотря на это, после нескольких дней обучения на мощных компьютерах с Tesla T4 мы достигли метрики IoU ~ 0,98, что указывает на высокую точность разработанной модели.

Задача обнаружить переломы шейного отдела позвоночника была поставлена на открытом конкурсе Kaggle.

Технические детали

Технологические процессы предложенного решения включают в себя несколько этапов для улучшения качества изображения и точности диагностики. Мы применяем кадрирование в качестве предварительного этапа обработки, используя передовые методы, такие как адаптивное кадрирование, чтобы предоставить больше информации о структуре и плотности костей, изображенных на снимке.

  • Первый этап технологического процесса (конвейера) включает двухмерную семантическую сегментацию позвонков (применено для 87 случаев). Для этого используется EfficientNet v2s + UNet. Результатом этого этапа стал набор масок для образцов отдельных позвонков.
  • Второй этап конвейера включает 2.5D классификацию срезов (применяя [slice-1, slice, slice+1] в качестве 3 каналов) с использованием двух различных типов моделей. Модель первого типа обрабатывает каждый образец позвонка отдельно с помощью 2D CNN и LSTM, а модель второго типа обрабатывает все 7 позвонков пациента одновременно, используя ту же архитектуру.
  • Модели обучаются на 14000 образцах позвонков с 20 срезами (каждый срез 2,5D), извлеченных по z-измерению.
  • Последний этап предполагает завершение обучения модели с помощью 5-кратной перекрестной валидации для обеспечения устойчивости и надежности.

Используя эти передовые методы и модели, мы достигли высокой точности и эффективности в обнаружении переломов шейного отдела позвоночника по снимкам КТ.

Стек технологий

Python

Python

PyTorch

PyTorch

Efficientnet

Efficientnet

FPN

FPN

Yolov5

Yolov5

3D CNN

3D CNN

2.5D CNN

2.5D CNN