• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

УСТОЙЧИВАЯ К ШУМУ В РАЗМЕТКЕ СВЕРТОЧНАЯ НЕЙРОННАЯ СЕТЬ В ЗАДАЧЕ СЕГМЕНТАЦИИ ГЛИОМ НА МРТ ИЗОБРАЖЕНИЯХ

© 2020 г. Т. Н. Сапаров1,2, А. И. Курмуков1,3, Б. Н. Широких1,2,4, С. В. Золотова5, А. В. Голанов5, М. Г. Беляев4, А. В. Далечина6

1Институт проблем передачи информации им. А.А. Харкевича РАН 127994 Москва, Большой Каретный пер., д. 19, Россия
kurmukovai@gmail.com
2Московский физико-технический институт (Государственный университет), 141701 Московская обл., г. Долгопрудный, Институтский пер., 9, Россия
3Национальный исследовательский университет “Высшая школа экономики”, 101000 Москва, Мясницкая ул., 20, Россия
4Сколковский институт науки и технологий 143026 Москва, Большой бул., 30, Россия
5Федеральное государственное автономное учреждение “Национальный медицинский исследовательский центр нейрохирургии им. акад. Н.Н. Бурденко” МЗ РФ 125047 Москва, 4-я Тверская-Ямская ул., 16, Россия
6Центр "Гамма-нож", АО "Деловой центр нейрохирургии" 125047 Москва, 1-й Тверской-Ямской пер., 13/5, Россия

Поступила в редакцию 05.06.2020 г.

Сегментация медицинских изображений – одна из важнейших задач лучевой диагностики и терапии. Современные подходы к решению этой задачи основаны на глубоком обучении и показывают высокое качество при обучении на стандартизированных и специально собранных данных. Однако при работе с реальными клиническими изображениями ситуация кардинально меняется из- за принципиально более сложного устройства данных. В задаче сегментации опухолей головного мозга для планирования лучевой терапии размеры и интенсивности изображений существенно варьируются в зависимости от настроек аппарата магнитно- резонансной томографии; отмечается неоднозначность трактовки разными экспертами выявляемых на томограммах изменений; наконец, контуры мишени не всегда соответствуют изображению магнитно-резонансной томографии вследствие использования дополнительных модальностей при планировании облучения. В силу указанных причин сформированные выборки содержат большое количество шумных аннотаций. Мы предлагаем устойчивый алгоритм обучения, основанный на модификации традиционной архитектуры сверточной нейронной сети при помощи модуля для обучения весов, используемых в результирующей функции потерь (взвешенной перекрестной энтропии). Наша модель успешно борется с наличием шума в разметке и значительно уменьшает эффект высокой гетерогенности данных, повышая качество сегментации на 38%.

Ключевые слова: сегментация медицинских изображений, МРТ, глубокое обучение, глиобластома

DOI: 10.31857/S0235009220040071

Цитирование для раздела "Список литературы": Сапаров Т. Н., Курмуков А. И., Широких Б. Н., Золотова С. В., Голанов А. В., Беляев М. Г., Далечина А. В. Устойчивая к шуму в разметке сверточная нейронная сеть в задаче сегментации глиом на мрт изображениях. Сенсорные системы. 2020. Т. 34. № 4. С. 329–339. doi: 10.31857/S0235009220040071
Цитирование для раздела "References": Saparov T. N., Kurmukov A. I., Shirokih B. N., Zolotova S. V., Golovanov A. V., Belyaev M. G., Dalechina A. V. Ustoichivaya k shumu v razmetke svertochnaya neironnaya set v zadache segmentatsii gliom na mrt izobrazheniyakh [A convolutional neural network, robust to label noise for glioma segmentation]. Sensornye sistemy [Sensory systems]. 2020. V. 34(4). P. 329–339 (in Russian). doi: 10.31857/S0235009220040071

Список литературы:

  • Algan G., Ulusoy I. Image Classification with Deep Learning in the Presence of Noisy Labels: A Survey. https://arxiv.org/pdf/1912.05170.pdf (accessed 01.06.2020)
  • Bakas S., Reyes M., Jakab A., Bauer S., Rempfler M. Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge. https://arxiv.org/pdf/1811.02629.pdf (accessed 05.11.2018)
  • Chen C., Qin C., Qui H., Tarroni G., Duan J. Deep learning for cardiac image segmentation: A review. Frontiers in Cardiovascular Medicine. 2020. V. 7. P. 25. https://doi.org/10.3389/fcvm.2020.00025
  • Dvorak P., Menze B. Structured prediction with convolutional neural networks for multimodal brain tumor segmentation. Proceeding of the multimodal brain tumor image segmentation challenge. 2015. P. 13–24.
  • Frénay B., Verleysen M. Classification in the presence of label noise: a survey. IEEE transactions on neural networks and learning systems. 2013. V. 25(5). P. 845–869. https://doi.org/10.1109/tnnls.2013.2292894
  • García-Lorenzo D., Francis S., Narayanan S., Arnold D.L., Collins D.L. Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging. Medical image analysis. 2013. V. 17(1). P. 1–18. https://doi.org/10.1016/j.media.2012.09.004
  • Growcott S., Dembrey T., Patel R., Eaton D., Cameron A. Inter-Observer Variability in Target Volume Delineations of Benign and Metastatic Brain Tumours for Stereotactic Radiosurgery: Results of a National Quality Assurance Programme. Clinical Oncology. 2020. V. 32 (1). P. 13–25. https://doi.org/10.1016/j.clon.2019.06.015
  • Hesamian M.H., Jia W., He X., Kennedy P. Deep learning techniques for medical image segmentation: Achievements and challenges. Journal of digital imaging. 2019. V. 32 (4). P. 582–596. https://doi.org/10.1007/s10278-019-00227-x
  • Karimi D., Dou H., Warfield S.K., Gholipour A. Deep learning with noisy labels: exploring techniques and remedies in medical image analysis. https://arxiv.org/pdf/1912.02911.pdf (accessed 01.06.2020)
  • Kelly C.J., Karthikesalingam A., Suleyman M., Corrado G., King D. Key challenges for delivering clinical impact with artificial intelligence. BMC medicine. 2019. V. 17 (1). P. 195. https://doi.org/10.1186/s12916-019-1426-2
  • Kickingereder P., Isensee F., Tursunova I., Petersen J., Neuberger U. Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study. The Lancet Oncology. 2019. V. 20 (5). P. 728–740. https://doi.org/10.1016/s1470-2045(19)30098-1
  • Kim S., Bae W.C., Masuda K., Chung C.B., Hwang D. Fine-grain segmentation of the intervertebral discs from MR spine images using deep convolutional neural networks: BSU-Net. Applied Sciences. 2018. V. 8 (9). P.1656. https://doi.org/10.3390/app8091656
  • Lustberg T., van Soest J., Jochems A., Deist T., van Wijk Y. Big Data in radiation therapy: challenges and opportunities. The British journal of radiology. 2017. V. 90 (1069). 20160689. https://doi.org/10.1259/bjr.20160689
  • Mirikharaji Z., Yan Y., Hamarneh G. Learning to segment skin lesions from noisy annotations. Domain Adaptation and Representation Transfer and Medical Image Learning with Less Labels and Imperfect Data. Cham. Springer. 2019. P. 207–215. https://doi.org/10.1007/978-3-030-33391-1_24
  • Nie D., Gao Y., Wang L., Shen D. Asdnet: Attention based semi-supervised deep networks for medical image segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham. Springer. 2018. P. 370–378. https://doi.org/10.1007/978-3-030-00937-3_43
  • Otsu N. A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics. 1979. V. 9 (1). P. 62–66. https://doi.org/10.1109/tsmc.1979.4310076
  • Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. International Conference on Medical image computing and computerassisted intervention. Cham. Springer. 2015. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
  • Sahiner B., Pezeshk A., Hadjiiski L.M., Wang X., Drukker K. Deep learning in medical imaging and radiation therapy. Medical physics. 2019. V. 46 (1). P. e1–e36. https://doi.org/10.1002/mp.13264
  • Sandström H., Jokura H., Chun C., Toma-Dasu I. Multiinstitutional study of the variability in target delineation for six targets commonly treated with radiosurgery. Acta Oncologica. 2018. V. 57 (11). P. 1515–1520. https://doi.org/10.1080/0284186x.2018.1473636
  • Tajbakhsh N., Jeyaseelan L., Li Q., Chiang J.N., Wu Z. Embracing imperfect datasets: A review of deep learning solutions for medical image segmentation. Medical Image Analysis. 2020. 101693. https://doi.org/10.1016/j.media.2020.101693
  • Tanaka D., Ikami D., Yamasaki T., Aizawa K. Joint optimization framework for learning with noisy labels. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 5552–5560. https://doi.org/10.1109/CVPR.2018.00582
  • Vinod S.K., Jameson M.G., Min M., Holloway L.C. Uncertainties in volume delineation in radiation oncology: a systematic review and recommendations for future studies. Radiotherapy and Oncology. 2016. V. 121 (2). P. 169–179. https://doi.org/10.1016/j.radonc.2016.09.009
  • Wang C., Zhu X., Hong J.C., Zheng D. Artificial intelligence in radiotherapy treatment planning: present and future. Technology in cancer research & treatment. 2019. V. 18. https://doi.org/10.1177/1533033819873922
  • Xue C., Dou Q., Shi X., Chen H., Heng P.A. Robust learning at noisy labeled medical images: applied to skin lesion classification. IEEE 16th International Symposium on Biomedical Imaging. IEEE. 2019. P. 1280–1283. https://doi.org/10.1109/isbi.2019.8759203
  • Zeng Q., Karimi D., Pang E.H.T., Mohammed S., Schneider C. Liver Segmentation in Magnetic Resonance Imaging via Mean Shape Fitting with Fully Convolutional Neural Networks. International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham. Springer. 2019. P. 246–254. https://doi.org/10.1007/978-3-030-32245-8_28
  • Zhang C., Bengio S., Hardt M., Recht B., Vinyals O. Understanding deep learning requires rethinking generalization. 5th International Conference on Learning Representations, Conference Track Proceedings. Toulon. OpenReview.net. 2017a.
  • Zhang Y., Yang L., Chen J., Fredericksen M., Hughes D.P. Deep adversarial networks for biomedical image segmentation utilizing unannotated images. International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham. Springer. 2017b. P. 408–416. https://doi.org/10.1007/978-3-319-66179-7_47
  • Zhu H., Shi J., Wu J. Pick-and-learn: Automatic quality evaluation for noisy-labeled image segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham. Springer. 2019. P. 576–584. https://doi.org/10.1007/978-3-030-32226-7_64
  • Zhao F., Li M., Kong L., Zhang G., Yu J. Delineation of radiation therapy target volumes for patients with postoperative glioblastoma: A review. Onco Targets Ther. 2016. V. 9. P. 3197–3204. https://doi.org/10.2147/ott.s104241