Применение методов радиомики для формирования признакового пространства в задаче распознавания церебральных аневризм
Аннотация
В работе проводится исследование эффективности применения методов радиомики для извлечения признаков из медицинских изображений при решении задачи распознавания церебральных аневризм с помощью графовой нейронной сети. Построение графовой модели сосудистой сети на основе результатов ангиографии сосудов головного мозга позволяет перейти от исходного изображения (упорядоченной последовательности значений вокселей) к более структурированному представлению исходных данных, состоящему из набора локальных дескрипторов узлов и связей между ними. Такое представление отражает наиболее значимые черты распознаваемых объектов и позволяет существенно сократить объём обрабатываемых данных. В связи с этим одним из ключевых аспектов успешного решения задачи распознавания церебральных аневризм на основе графовой модели сосудистой сети является формирование информативного признакового описания для узлов графа. В данной работе признаковое описание узлов графа соответствует биомаркерам изображений – количественным показателям, характеризующим различные патологические изменения, – полученным при помощи методов радиомики. В качестве алгоритма распознавания аневризм используется графовая нейронная сеть. В работе рассматриваются характеристики формы выделенных областей изображений, гистограммные и текстурные признаки, а также некоторые другие характеристики. Для выявления наиболее информативных признаков был проведён ряд вычислительных экспериментов с использованием различных наборов признаков. На основе статистического анализа результатов экспериментов был сделан вывод о том, что наибольшая часть значимой для распознавания церебральных аневризм информации содержится в характеристиках формы выделенных на изображении областей, а также в гистограммных признаках. Однако, также результаты экспериментов показали, что построенное признаковое описание недостаточно для точного распознавания церебральных аневризм, и оно требует расширения за счёт введения новых более сложных показателей.
Литература
2. Sichtermann T., Faron A., Sijben R., Teichert N., Freiherr J., Wiesmann M. Deep Learning-Based Detection of Intracranial Aneurysms in 3D TOF-MRA. American Journal of Neuroradiology. 2019;40(1):25-32. doi: https://doi.org/10.3174/ajnr.A5911
3. Shi Z. et al. A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images. Nature Communications. 2020;11(1):6090. doi: https://doi.org/10.1038/s41467-020-19527-w
4. Timmins K.M., van der Schaaf I.C., Vos I., Ruigrok Y.M., Velthuis B.K., Kuijf H.J. Deep learning with vessel surface meshes for intracranial aneurysm detection. Proceedings SPIE. Medical Imaging 2022: Computer-Aided Diagnosis. Vol. 12033. SPIE; 2022. Article number: 120332D. doi: https://doi.org/10.1117/12.2610745
5. Park A. et al. Deep Learning-Assisted Diagnosis of Cerebral Aneurysms Using the HeadXNet Model. JAMA Network Open. 2019;2(6):e195600. doi: https://doi.org/10.1001/jamanetworkopen.2019.5600
6. Meng C., Yang D., Chen D. Cerebral aneurysm image segmentation based on multi-modal convolutional neural network. Computer Methods and Programs in Biomedicine. 2021;208:106285. doi: https://www.doi.org/10.1016/j.cmpb.2021.106285
7. Li T. et al. Segmentation Method of Cerebral Aneurysms Based on Entropy Selection Strategy. Entropy. 2022;24(8):1062. doi: https://doi.org/10.3390/e24081062
8. Shahzad R. et al. Fully automated detection and segmentation of intracranial aneurysms in subarachnoid hemorrhage on CTA using deep learning. Scientific Reports. 2020;10(1):21799. doi: https://doi.org/10.1038/s41598-020-78384-1
9. Timmins K. M. et al. Comparing methods of detecting and segmenting unruptured intracranial aneurysms on TOF-MRAS: The ADAM challenge. Neuroimage. 2021;238:118216. doi: https://doi.org/10.1016/j.neuroimage.2021.118216
10. Liu Y., Liu J., Yuan Y. Edge-Oriented Point-Cloud Transformer for 3D Intracranial Aneurysm Segmentation. In: Wang L., Dou Q., Fletcher P.T., Speidel S., Li S. (eds.) Medical Image Computing and Computer Assisted Intervention – MICCAI 2022. MICCAI 2022. Lecture Notes in Computer Science. Vol. 13435. Cham: Springer; 2022. p. 97-106. doi: https://doi.org/10.1007/978-3-031-16443-9_10
11. Drees D. et al. Scalable robust graph and feature extraction for arbitrary vessel networks in large volumetric datasets. BMC Bioinformatics. 2021;22:346. doi: https://doi.org/10.1186/s12859-021-04262-w
12. Chenoune Y. et al. Three-dimensional segmentation and symbolic representation of cerebral vessels on 3DRA images of arteriovenous malformations. Computers in Biology and Medicine. 2019;115:103489. doi: https://www.doi.org/10.1016/j.compbiomed.2019.103489
13. Eulzer P. et al. Vessel Maps: A Survey of Map‐Like Visualizations of the Cardiovascular System. Computer Graphics Forum. 2022;41(3):645-673. doi: https://doi.org/10.1111/cgf.14576
14. Gori M., Monfardini G., Scarselli F. A new model for learning in graph domains. In: Proceedings 2005 IEEE International Joint Conference on Neural Networks. Vol. 2. Montreal, QC, Canada: IEEE Computer Society; 2005. p. 729-734. doi: https://doi.org/10.1109/IJCNN.2005.1555942
15. Cao W., Yan Z., He Z., He Z. A comprehensive survey on geometric deep learning. IEEE Access. 2020;8:35929-35949. doi: https://doi.org/10.1109/ACCESS.2020.2975067
16. Van Griethuysen J.J.M. et al. Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Research. 2017;77(21):e104-e107. doi: https://doi.org/10.1158/0008-5472.CAN-17-0339
17. Scapicchio C. et al. A deep look into radiomics. La radiologia medica. 2021;126(10):1296-1311. doi: https://www.doi.org/10.1007/s11547-021-01389-x
18. Girardi D. et al. A skeleton-based SVM-supported cerebral aneurysm detection algorithm. In: European Congress of Radiology-ECR 2012. Article number: C-0361. ECR; 2012. doi: https://www.doi.org/10.1594/ecr2012/C-0361
19. Alwalid O. et al. CT Angiography-Based Radiomics for Classification of Intracranial Aneurysm Rupture. Frontiers in Neurology. 2021;12:619864. doi: https://doi.org/10.3389/fneur.2021.619864
20. Lauric A., Ludwig C.G., Malek A.M. Enhanced Radiomics for Prediction of Rupture Status in Cerebral Aneurysms. World Neurosurgery. 2022;159:8-22. doi: https://doi.org/10.1016/j.wneu.2021.11.038
21. Liu Q.L. et al. Prediction of Aneurysm Stability Using a Machine Learning Model Based on PyRadiomics-Derived Morphological Features. Stroke. 2019;50(9):2314-2321. doi: https://doi.org/10.1161/STROKEAHA.119.025777
22. Zack G.W., Rogers W.E., Latt S.A. Automatic measurement of sister chromatid exchange frequency. Journal of Histochemistry & Cytochemistry. 1977;25(7):741-753. doi: https://doi.org/10.1177/25.7.70454
23. Lee T.C., Kashyap R.L., Chu C.N. Building Skeleton Models via 3-D Medial Surface Axis Thinning Algorithms. CVGIP: Graphical Models and Image Processing. 1994;56(6):462-478. doi: https://doi.org/10.1006/cgip.1994.1042
24. Kipf T.N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks. In: Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). Toulon, France; 2017. p. 1-14. Available at: https://openreview.net/forum?id=SJU4ayYgl (accessed 29.08.2022).
25. Van der Maaten L., Hinton G. Visualizing Data using t-SNE. Journal of Machine Learning Research. 2008;9(86):2579-2605. Available at: https://www.jmlr.org/papers/v9/vandermaaten08a.html (accessed 29.08.2022).
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
