Автоматическое обнаружение новообразований на маммограммах

Высокая заболеваемость населения – проблема, с которой сталкиваются во многих регионах. Более того, некоторые заболевания, требующие ранней диагностики, могут быть обнаружены слишком поздно. В связи с таким затруднением государство рассматривает внедрение системы массового скрининга (т.е. установки большого количества рентгеновских аппаратов), чтобы как можно больший процент населения покрыть регулярными осмотрами. Однако тогда возникает другая проблема: нехватка врачей при наличии достаточного количества медицинской аппаратуры.

Система детекции аномалии в маммограммах – разработка компании «ПАВЛИН Технологии», представленная на конкурсе «Лучшая медицинская информационная система 2013».

Разумеется, что автоматическая система не сможет заменить врача, но сможет показать, что у пациента есть проблема  и ему действительно нужно обратиться  к врачу. Таким образом, диагностика позволит снизить стоимость лечения и повысить процент выздоровления пациентов.

Нашей компанией была разработана обучающая выборка, результатом которой стал искусственный интеллект, умеющий оценивать маммограмму и, в случае наличия потенциальной проблемы, предупреждающий человека о необходимости визита к врачу. Гибридная нейросетевая модель методом технического зрения определяет первичные признаки и подает их в нейронную сеть, которая, в свою очередь, классифицирует маммограмму.

Слева – рентгеновский снимок, содержащий новообразование. Справа — рентгеновский снимок без новообразований

Для тестирования качества алгоритма обнаружения объектов использовалось 20 изображений с новообразованиями и 69 изображений без образований. Позитивные и негативные примеры для обучения, в свою очередь, извлекаются из изображений, которые хранятся в базе обучающих примеров. Эти примеры разделяются на обучающую и тестовую выборку в соотношении 50% на 50%.

В процессе обнаружения объектов:

  1. Загружается файл нейросетевого классификатора, который был сформирован на этапе обучения.
  2. Производится извлечение областей кандидатов и признаков для классификации
  3. Используя нейросетевой классификатор, проводится классификация объекта
  4. Проводится визуализация обнаруженных объектов

Стоит обратить внимание  и на человеческий фактор: пропущенные врачом  маммограммы с новообразованиями подвергают риску летального исхода у пациентов, так как пропуск раковой опухоли на ранней стадии (до следующего обследования) крайне опасен.

Левое изображение — наш алгоритм, правое изображение — экспертная разметка человека

В ходе работы была достигнута точность более 90%. Исходя из этого, можно сделать  вывод о хорошем качестве разработанного алгоритма обнаружения новообразований на маммограмах. Результаты соответствуют уровню распознавания новообразований экспертом.

К нам поступали предложения о сотрудничестве от коммерческих компаний и ведущих ВУЗов областей.

На данный момент компания «ПАВЛИН Технологии» ищет партнеров среди медицинских учреждений и производителей медицинского оборудования, которые заинтересованы в применении данной технологии и обладают большим набором классифицированных архивных рентгеновских снимков, для совместной разработки классификаторов соответствующих заболеваний.