Научные исследования

Исследования проводились при поддержке

РНФ - Российский научный фонд (Grant No. 18-71-10072)

РФФИ - Российский фонд фундаментальных исследований (Grant No. 18-47-160015)

Поддержка принятия врачебных решений при проведении исследования и возможном последующем лечении пациента путем предоставления информации о вероятности наличия патологии в области грудной полости. 

Актуальность

Позволяет ускорить постановку диагноза и снизить вероятность число пропущенных патологий. 

Описание

В ходе работы над грантом РНФ, командой проекта были выявлены ключевые направления для научных исследований в области медицинского ИИ, актуальных для данной задачи, а именно: 

1. Улучшение алгоритмов автоматического распознавания неструктурированного текста (врачебных заключений) для расширения обучающей выборки 

2. Применение методов Unsupervised learning для работы с массивом неразмеченных исследований и создания качественных предобученных моделей 

3. Разработка автоматических алгоритмов скоринга качества проведенного исследования для уменьшения шума обучающей выборки 

4. Применение методов Causal learning для оптимизации тепловых карт активации моделей.

5. Разработка специфических моделей локализации патологий, на основе рентгенологических признаков. 

Эффекты

Увеличение скорости исследования пациента и снижение нагрузки на врача-рентгенолога, путем использования как системы поддержки врачебных решений. 

Планы

Дифференцировать найденные патологии на рентгеновских снимках органов грудной клетки. 

Создание единой системы для выявления очага инсульта по МРТ/КТ снимкам путем решения задач из области обработки изображений, создание алгоритмов и подходов для автоматической локализации инсульта на снимках магнитно-резонансной и компьютерной томографии и создание высокоэффективных алгоритмов обработки изображений, сегментации и генерации новых синтетических данных. 

Актуальность

Полученные алгоритмы позволяют ускорить диагностику пациента и снизить вероятность летального исхода. 

Новизна

Создание новой большой базы данных пар (МРТ/КТ) снимков головного мозга вместе с дополнительными клиническими данными. На основе этих данных будут разработаны высокоэффективные алгоритмы сегментации инсульта, повышения контраста пораженных тканей и генерации новых данных. 

Описание 

Создание техник глубокого обучения, включая сегментацию, генерацию синтетических МРТ снимков из КТ и обратно, подавление шумов, адаптацию к новому домену и генерацию новых данных. Данные методы актуальны не только в области медицинских изображений, но представляют собой широкий класс проблем компьютерного зрения. 

Эффекты

Автоматический метод для диагностирования инсульта повышает точность и скорость диагностики, что позволяет назначить быстрое и точное лечение для пациента. Оценка области поражения на основе сегментационных масок позволит оптимизировать тактику лечения конкретного пациента и ускорить время оказания медицинской помощи, как следствие уменьшить инвалидизацию и повысить качество жизни больных. 

Планы: 

1. Создание крупнейшей в мире базы данных из размеченных медицинских изображений и сопутствующей клинической информации для обучения глубоких нейросетей. 

2. Разработка новых алгоритмов увеличения обучающей выборки на основе генеративных состязательных сетей. 

3. Разработка алгоритма автоматического перевода КТ в МРТ и МРТ в КТ для последующей сегментации. 

4. Разработка нового метода сегментации с учетом особенностей изображения головного мозга. 

5. Разработка новых алгоритмов адаптации к новому домену и трансферного обучения для сегментации для переноса моделей с КТ модальности на МРТ.

6. Построение предсказательных моделей клинического результата по изображению и дополнительным данным из медицинской карточки пациента. 

Паспознавание остеопороза на снимках позвоночника. 

Актуальность

Выявление остеопороза на ранних стадиях, что позволяет ускорить диагностику и подобрать своевременное лечение для пациента. Высокая доля исследования позвоночника и востребованность со стороны медицинского сообщества показывает актуальность данной задачи для Российской и мировой науки. 

Новизна

Сочетание алгоритмов анализа формы и мультагентных методов обучения с подкреплением позволит улучшить алгоритмы сегментации позвонков для создания сегментационных масок. Применение метода адаптации домена позволит использовать данные из открытых источников и адаптировать алгоритмы на данные из Медицинских Организаций РФ. В процессе разметке исследований планируется привлечь команду врачей-специалистов для итеративного улучшения моделей используя методологию Active learning с целью выявления наиболее значимых для разметки исследований. 

Описание 

Планируется разработать сервис по анализу КТ исследования, который предоставит врачам дополнительную информацию о рисках остеопороза. Как проект влияет на развитие отрасли, в которой реализуется: Раннее диагностирование остеопороза и назначение дальнейших исследований для назначения лечения пациенту. 

Планы: 

1. Адаптация решения на другие модальности медицинских снимков. (МРТ, рентгеновские исследования позвоночника)

2. Использование пар КТ снимков и денситометрии.

3. Расширение класса обнаруживаемых патологий (протрузии, сужения спинномозгового канала, остеофиты, гемангиомы, онкологические образования)

4. Автоматическое обнаружение аномальных сигналов и его клинической значимости 

Актуальность

Заболевания опорно-двигательного аппарата являются одними из самых распространённых видов патологии современного человека, причем около 45% всех идиопатических болей тазобедренного сустава (ТБС) связанны c патологическими изменениями головки бедренной кости и вертлужной впадины, а именно импинджмент-синдромом ТБС. Более того, среди всех случаев артроза ТБС, около 70% являются результатом поздно диагностированного импинджмент-синдрома или дисплазии ТБС. Американская ассоциация рентгенологов составила список из 50 ключевых проблем в рентгенологии, для которых наиболее остро требуются решения, основанные на искусственном интеллекте (ИИ). Патологии ТБС находятся на втором месте по важности в этом списке.

Описание

Этот проект является первопроходцем в области применения ИИ для диагностики импинджмент-синдрома ТБС. Проект состоит из следующих задач:

1. Разработка методов глубокого обучения для аннотации головки бедренной кости и вертлужной впадины.

2. Разработка методов глубокого обучения для оценки рентгеноанатомических свойств ТБС.

3. Разработка метода ранней диагностики импинджмент-синдрома ТБС на клинических базах двухмерных (2D) и трехмерных (3D) изображений.

Эффект

Научным результатом этого проекта являются методологические продвижения в области применения ИИ для анализа патологий опорно-двигательного аппарата, а также практические решения для компьютеризированного диагностирования импинджмент-синдрома ТБС.