Разработка нейросетевой модели определения костного возраста у детей по данным рентгенографии кисти
|
Аннотация 2
Содержание 4
Обозначения и сокращения 5
Введение 6
Глава 1 Обзор литературы 9
1.1 Подходы к оценке костного возраста 9
1.2 Обзор автоматизированных систем для оценки костного возраста 12
1.3 Выводы по литературному обзору и постановка задачи ВКР 24
Глава 2 Практическая реализация 26
2.1 Введение в практическую реализацию 26
2.2 Формирование и анализ набора данных RSNA Pediatric Bone Age Challenge 28
2.3 Нормализация входных данных 40
2.4 Детекции кисти 44
2.5 Сегментация кисти 48
2.6 Разработка модели регрессии костного возраста 53
2.7 Разработка и интеграция программного пакета 64
Выводы 69
Список литературы 71
Приложение А 74
Приложение Б 75
Содержание 4
Обозначения и сокращения 5
Введение 6
Глава 1 Обзор литературы 9
1.1 Подходы к оценке костного возраста 9
1.2 Обзор автоматизированных систем для оценки костного возраста 12
1.3 Выводы по литературному обзору и постановка задачи ВКР 24
Глава 2 Практическая реализация 26
2.1 Введение в практическую реализацию 26
2.2 Формирование и анализ набора данных RSNA Pediatric Bone Age Challenge 28
2.3 Нормализация входных данных 40
2.4 Детекции кисти 44
2.5 Сегментация кисти 48
2.6 Разработка модели регрессии костного возраста 53
2.7 Разработка и интеграция программного пакета 64
Выводы 69
Список литературы 71
Приложение А 74
Приложение Б 75
Актуальность темы
Оценка костного возраста (КВ) является важным инструментом в педиатрии и эндокринологии для диагностики нарушений роста и развития детей, а также выявления эндокринных, генетических и других патологий [4]. Традиционные методы, такие как атлас Грейлиха-Пайл и методика Таннера-Уайтхауса, основаны на визуальном сравнении рентгенограмм кистей с эталонными изображениями или количественной оценке окостенения [8]. Однако эти подходы имеют ряд ограничений, снижающих их эффективность в клинической практике. В частности, это снижает воспроизводимость результатов [4, 18]. Кроме того, ручная оценка, особенно по методу Таннера-Уайтхауса, трудоемка и требует значительных временных затрат, что создает нагрузку на медицинский персонал в условиях высокой загруженности [8]. Атласы также имеют ограничения: например, атлас Грейлиха-Пайл, основанный на данных середины XX века, не всегда учитывает современные секулярные тренды и популяционные особенности, что может снижать точность для некоторых этнических групп [4, 6]. Качество изображений тоже играет роль: рентгенограммы могут содержать артефакты, посторонние объекты или нестандартное кадрирование, что осложняет как ручной, так и автоматизированный анализ [4]. Наконец, существует необходимость в стандартизации: для эффективной работы нейросетевых моделей требуется предварительная обработка изображений, включая локализацию области интереса (кисти), что не всегда обеспечивается в рутинной практике [4].
Эти проблемы подчеркивают необходимость разработки автоматизированных систем, способных повысить точность, воспроизводимость и скорость оценки КВ. В последние годы технологии искусственного интеллекта (ТИИ), включая сверточные нейронные сети (CNN), демонстрируют значительный потенциал в обработке медицинских изображений [4, 24].
В России отсутствуют отечественные программные решения для автоматизированного определения КВ, что делает разработку таких систем актуальной задачей. Создание нейросетевой модели, адаптированной к российской популяции, устойчивой к вариабельности входных данных и способной самостоятельно локализовать область интереса, позволит оптимизировать диагностический процесс, минимизировать субъективность и поддержать врачей в принятии клинических решений.
Цель исследования
Разработать нейросетевую модель для автоматизированного определения костного возраста у детей на основе рентгенограмм кисти, обеспечивающую высокую точность, воспроизводимость и адаптацию к российской популяции.
Задачи исследования
1. Изучить и провести сравнение классических методов оценки и автоматизированных систем определения костного возраста на основе технологий компьютерного зрения и искусственного интеллекта.
2. Провести разведочный анализ данных и сформировать набор данных для глубокого обучения.
3. Разработать алгоритм предварительной обработки рентгенограмм для глубокого обучения с учетом особенностей проведения рентгенографии кисти для определения костного возраста в медицинских учреждениях РФ.
4. Обучить нейросетевую модель для предсказания костного возраста на сформированном наборе данных.
5. Провести валидацию и тестирование модели определения костного возраста и оценить ее метрики качества.
6. Разработать программный пакет и web-сервис, интегрирующий предложенные алгоритмы.
Объект исследования
Технологии искусственного интеллекта.
Предмет исследования
Технологии искусственного интеллекта для определения костного возраста по методике Грейлиха-Пайл.
Методы исследования
Теоретические: обзор литературы, систематизация на этапе сбора информации, контент-анализ и сравнение программных решений для определения КВ.
Практические: разведочный анализ данных, проведение ML/DL-экспериментов, экспериментов с реализацией алгоритмов обработки изображений.
Научная новизна
Разработанное программное обеспечение на основе ТИИ представляет собой первое отечественное решение для автоматизированного определения костного возраста у детей, адаптированное к российской популяции и учитывающее современные тенденции темпов роста и развития. В настоящее время в Российской Федерации отсутствуют бесплатные программные решения для определения костного возраста на основе ТИИ, а также нет широко применяемых иностранных аналогов.
Практическая значимость
Разработанная система автоматизированной оценки КВ на основе ТИИ может быть потенциально внедрена в медицинскую практику врачей-рентгенологов, эндокринологов и педиатров для точной и быстрой диагностики нарушений роста и развития. Система сокращает время оценки КВ, минимизирует субъективность и меж-экспертную вариабельность оценок, присущие традиционным методам определения КВ. Программный пакет и web-сервис с предложенными алгоритмами адаптирован для интеграции в медицинские информационные системы, что упрощает его применение в рутинной клинической практике. Обучение на российских рентгенограммах с учетом их особенностей обеспечивает применимость решения в российских лечебных учреждениях, включая потенциальную возможность использования его в рамках телемедицинской технологии.
Оценка костного возраста (КВ) является важным инструментом в педиатрии и эндокринологии для диагностики нарушений роста и развития детей, а также выявления эндокринных, генетических и других патологий [4]. Традиционные методы, такие как атлас Грейлиха-Пайл и методика Таннера-Уайтхауса, основаны на визуальном сравнении рентгенограмм кистей с эталонными изображениями или количественной оценке окостенения [8]. Однако эти подходы имеют ряд ограничений, снижающих их эффективность в клинической практике. В частности, это снижает воспроизводимость результатов [4, 18]. Кроме того, ручная оценка, особенно по методу Таннера-Уайтхауса, трудоемка и требует значительных временных затрат, что создает нагрузку на медицинский персонал в условиях высокой загруженности [8]. Атласы также имеют ограничения: например, атлас Грейлиха-Пайл, основанный на данных середины XX века, не всегда учитывает современные секулярные тренды и популяционные особенности, что может снижать точность для некоторых этнических групп [4, 6]. Качество изображений тоже играет роль: рентгенограммы могут содержать артефакты, посторонние объекты или нестандартное кадрирование, что осложняет как ручной, так и автоматизированный анализ [4]. Наконец, существует необходимость в стандартизации: для эффективной работы нейросетевых моделей требуется предварительная обработка изображений, включая локализацию области интереса (кисти), что не всегда обеспечивается в рутинной практике [4].
Эти проблемы подчеркивают необходимость разработки автоматизированных систем, способных повысить точность, воспроизводимость и скорость оценки КВ. В последние годы технологии искусственного интеллекта (ТИИ), включая сверточные нейронные сети (CNN), демонстрируют значительный потенциал в обработке медицинских изображений [4, 24].
В России отсутствуют отечественные программные решения для автоматизированного определения КВ, что делает разработку таких систем актуальной задачей. Создание нейросетевой модели, адаптированной к российской популяции, устойчивой к вариабельности входных данных и способной самостоятельно локализовать область интереса, позволит оптимизировать диагностический процесс, минимизировать субъективность и поддержать врачей в принятии клинических решений.
Цель исследования
Разработать нейросетевую модель для автоматизированного определения костного возраста у детей на основе рентгенограмм кисти, обеспечивающую высокую точность, воспроизводимость и адаптацию к российской популяции.
Задачи исследования
1. Изучить и провести сравнение классических методов оценки и автоматизированных систем определения костного возраста на основе технологий компьютерного зрения и искусственного интеллекта.
2. Провести разведочный анализ данных и сформировать набор данных для глубокого обучения.
3. Разработать алгоритм предварительной обработки рентгенограмм для глубокого обучения с учетом особенностей проведения рентгенографии кисти для определения костного возраста в медицинских учреждениях РФ.
4. Обучить нейросетевую модель для предсказания костного возраста на сформированном наборе данных.
5. Провести валидацию и тестирование модели определения костного возраста и оценить ее метрики качества.
6. Разработать программный пакет и web-сервис, интегрирующий предложенные алгоритмы.
Объект исследования
Технологии искусственного интеллекта.
Предмет исследования
Технологии искусственного интеллекта для определения костного возраста по методике Грейлиха-Пайл.
Методы исследования
Теоретические: обзор литературы, систематизация на этапе сбора информации, контент-анализ и сравнение программных решений для определения КВ.
Практические: разведочный анализ данных, проведение ML/DL-экспериментов, экспериментов с реализацией алгоритмов обработки изображений.
Научная новизна
Разработанное программное обеспечение на основе ТИИ представляет собой первое отечественное решение для автоматизированного определения костного возраста у детей, адаптированное к российской популяции и учитывающее современные тенденции темпов роста и развития. В настоящее время в Российской Федерации отсутствуют бесплатные программные решения для определения костного возраста на основе ТИИ, а также нет широко применяемых иностранных аналогов.
Практическая значимость
Разработанная система автоматизированной оценки КВ на основе ТИИ может быть потенциально внедрена в медицинскую практику врачей-рентгенологов, эндокринологов и педиатров для точной и быстрой диагностики нарушений роста и развития. Система сокращает время оценки КВ, минимизирует субъективность и меж-экспертную вариабельность оценок, присущие традиционным методам определения КВ. Программный пакет и web-сервис с предложенными алгоритмами адаптирован для интеграции в медицинские информационные системы, что упрощает его применение в рутинной клинической практике. Обучение на российских рентгенограммах с учетом их особенностей обеспечивает применимость решения в российских лечебных учреждениях, включая потенциальную возможность использования его в рамках телемедицинской технологии.
1. Установлено, что традиционные ручные методы оценки КВ (атлас Грейлиха-Пайл, методика Таннера-Уайтхауса) обладают высокой субъективностью, тогда как современные решения на основе ТИИ способны достигать MAE в 4–6 месяцев, превосходят ручные методики по скорости оценки, однако требуют дообучения на локальных данных.
2. Количество рентгенограмм кисти в сформированном датасете составило 12 811 изображений (использованы снимки из датасета RSNA и ЕРИС ЕМИАС), разделенных по полу и 6-ти возрастным интервалам согласно рекомендациям ВОЗ), при этом рентгенограммы из датасета ЕРИС ЕМИАС преимущественно использовались для дополнения малопредставленных категорий младенцев и старших подростков датасета RSNA.
3. Реализованный алгоритм предварительной обработки рентгенограмм включил в себя нормализацию, детекцию области интереса кисти с помощью архитектуры YOLO11 и автоматическую сегментацию кисти с применением архитектуры U-Net.
4. На предобработанных данных обучена нейросетевая модель на базе архитектуры ResNet. Стратегия стратифицированной пятикратной кросс-валидации с балансировкой выборки через WeightedRandomSampler посредством присвоения весовых коэффициентов в процессе обучения модели позволила обеспечить сопоставимую эффективность предсказаний модели для каждой возрастной группы и избежать переобучения на изначально несбалансированном наборе данных.
5. Комплексная оценка модели, проведенная на независимой тестовой выборке, продемонстрировавшая MAE 7,7 месяцев для мальчиков и 8,2 месяцев для девочек, что на 46% точнее традиционных методов (таблицы Жуковского и Бухмана – 17.4 месяца) и превосходит стандартную ошибку врача-рентгенолога при определении КВ, которая составляет 12 месяцев. При этом время, затраченное на обработку одного исследования, удалось сократить до 2-х секунд.
6. Программный пакет на Python, интегрированный в web-сервис, позволил объединить все разработанные алгоритмы в модульную архитектуру: от загрузки и предобработки изображений до предсказания КВ и визуализации результатов. Разработанный сервис пригоден для использования в клинической практике благодаря своей модульной структуре, точности предсказаний и удобному интерфейсу для врачей.
2. Количество рентгенограмм кисти в сформированном датасете составило 12 811 изображений (использованы снимки из датасета RSNA и ЕРИС ЕМИАС), разделенных по полу и 6-ти возрастным интервалам согласно рекомендациям ВОЗ), при этом рентгенограммы из датасета ЕРИС ЕМИАС преимущественно использовались для дополнения малопредставленных категорий младенцев и старших подростков датасета RSNA.
3. Реализованный алгоритм предварительной обработки рентгенограмм включил в себя нормализацию, детекцию области интереса кисти с помощью архитектуры YOLO11 и автоматическую сегментацию кисти с применением архитектуры U-Net.
4. На предобработанных данных обучена нейросетевая модель на базе архитектуры ResNet. Стратегия стратифицированной пятикратной кросс-валидации с балансировкой выборки через WeightedRandomSampler посредством присвоения весовых коэффициентов в процессе обучения модели позволила обеспечить сопоставимую эффективность предсказаний модели для каждой возрастной группы и избежать переобучения на изначально несбалансированном наборе данных.
5. Комплексная оценка модели, проведенная на независимой тестовой выборке, продемонстрировавшая MAE 7,7 месяцев для мальчиков и 8,2 месяцев для девочек, что на 46% точнее традиционных методов (таблицы Жуковского и Бухмана – 17.4 месяца) и превосходит стандартную ошибку врача-рентгенолога при определении КВ, которая составляет 12 месяцев. При этом время, затраченное на обработку одного исследования, удалось сократить до 2-х секунд.
6. Программный пакет на Python, интегрированный в web-сервис, позволил объединить все разработанные алгоритмы в модульную архитектуру: от загрузки и предобработки изображений до предсказания КВ и визуализации результатов. Разработанный сервис пригоден для использования в клинической практике благодаря своей модульной структуре, точности предсказаний и удобному интерфейсу для врачей.
