В.Н. Гридин – д.т.н., профессор, науч. руководитель, Центр информационных технологий в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru

В.А. Перепелов –  инженер-исследователь, Центр информационных технологий  в проектировании РАН (г. Одинцово, Моск. обл.); Первый Московский государственный медицинский  университет им. И.М. Сеченова 

E-mail: info@ditc.ras.ru 

В.С. Панищев – к.т.н., ст. науч. сотрудник, Центр информационных технологий в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru

М.И. Труфанов – к.т.н., доцент, зав. лабораторией, Центр информационных технологий  в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru

Н.Н. Яхно – академик РАН, д.м.н., профессор, Первый Московский государственный медицинский  университет им. И.М. Сеченова; гл. науч. сотрудник, Центр информационных технологий  в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru

Постановка проблемы. Одной из ключевых задач при исследовании когнитивных нарушений является анализ объемных характеристик гиппокампа, как основной структуры, используемой для выявления по МРТ-изображениям болезни Альцгеймера. Коллективом авторов выполнен всесторонний анализ существующих работ по данной проблематике, выявивший актуальность разработки нового метода оценки параметров гиппокампа. 

Цель – создание математического обеспечения для измерения параметров гиппокампа при диагностике болезни Альцгеймера. 

Результаты. В процессе проведения исследований выполнен анализ существующих работ, выявивший перспективность развития математических основ и алгоритмов нахождения и вычисления параметров гиппокампа без использования априорной информации из справочника-атласа. Разработан алгоритм обнаружения гиппокампа на общей серии снимков, полученных магнитно-резонансным томографом. Предлагаемый алгоритм включает в себя следующие основные блоки: предварительный ввод данных и оценку параметров обработки; вычисление порядковых индексов ключевых изображений, полученных в сагиттальной проекции; построение сегментов на каждом изображении, соответствующих различным структурам головного мозга; формирование разностного изображения; определение границ внутричерепной жидкости, расположенной над гиппокампом; определение положения гиппокампа; оценка объема гиппокампа; выдача результатов обработки для принятия решения о наличии или отсутствии болезни Альцгеймера. Представлены результаты моделирования разработанного алгоритма.

Практическая значимость. Разработан алгоритм, позволяющий без использования априорной информации о положении гиппокампа выполнить анализ магнитно-резонансных изображений головного мозга с целью определения позиции гиппокампа и обеспечить измерение его относительного объема, что является основой для принятия решения при диагностике болезни Альцгеймера. Созданный подход может быть применен при решении широкого спектра задач, связанных с анализом ключевых структур мозга в практике прикладных медицинских и фундаментальных научных исследований когнитивных нарушений.

1. Гридин В.Н., Труфанов М.И., Солодовников В.И., Панищев В.С., Синицын В.Е., Яхно Н.Н. Автоматический анализ количественных характеристик гиппокампа при магнитно-резонансной томографии головного мозга для диагностики возможной болезни Альцгеймера (обзор литературы и результаты собственных исследований) // Радиология – практика. 2017. № 6 (66). С. 41–59.
2. Tangaro S. et al. Automated voxel-by-voxel tissue classification for hippocampal segmentation: Methods and validation // Physica Medica. 2014. № 30.
3. Amoroso N., Bellotti R., Bruno S., Chincarini A., Logroscino G., Tangaro S., et al. Automated shape analysis landmarks detection for medical image processing // Proc. Int. Symp. CompIMAGE. 2012.
4. Boccardi M., Bocchetta M., Apostolova L.G., Barnes J., Bartzokis G., Corbetta G., et al. Delphi Definition of the EADC-ADNI Harmonized Protocol for Hippocampal Segmentation on Magnetic Resonance // Alzheimers Dement. 2013; Submitted (MS ADJ-D-13-00449).
5. Frisoni G.B., Jack C.R.J., Bocchetta M., Bauer C., Frederiksen K., Liu Y., et al. The EADC-ADNI Harmonized Protocol for Hippocampal Segmentation on Magnetic Resonance: Evidence of Validity. Alzheimers Dement. 2013; Submitted (MS ADJD13-00479).
6. Inglese P. et al. Multiple RF classifier for the hippocampus segmentation: Method and validation on EADC-ADNI Harmonized Hippocampal Protocol // Physica Medica 2015. № 31. P. 1085–1091.
7. Wolz Robin et al. Multi-Method Analysis of MRI Images in Early Diagnostics of Alzheimer's Disease / https://doi.org/10.1371/ journal.pone.0025446.
8. Гридин В.Н., Труфанов М.И., Солодовников В.И. Обнаружение гиппокампа и вычисление его характеристик при магнитно-резонансной томографии головного мозга / В сб.: Информационные технологии и нанотехнологии: Сб. трудов ИТНТ-2018. Самара: Самарский национальный исследовательский университет им. акад. С.П. Королева. 2018.  С. 736–744.
9. Гридин В.Н., Яхно Н.Н., Синицын В.Е., Перепелов В.А., Труфанов М.И., Виноградов В.А. Алгоритм поиска гиппокампа на серии магнитно-резонансных изображений головного мозга при диагностике болезни Альцгеймера // Информационные технологии и вычислительные системы. 2018. № 4. С. 23–32.
10. Гридин В.Н., Панищев В.С., Труфанов М.И., Яхно Н.Н. Вычисление количественных характеристик кортикальной пластинки теменной области и подкорковых структур головного мозга при анализе качественных данных магнитнорезонансной томографии для диагностики болезни Альцгеймера // Биомедицинская радиоэлектроника. 2017. № 11.  С. 3–10.
11. Труфанов М.И., Виноградов В.А. Разработка метода поиска области глазницы на изображениях магнитно-резонансной томографии головы человека // В сб.: Информационные технологии и математическое моделирование систем. 2018: Труды международной науч.-техн. конф. 2018. С. 139–142.