В.В. Алексеев1, П.Г. Королев2, А.В. Царева3, А.Д. Кузьмина4, П.Г. Журбило5

1–5 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) (Санкт-Петербург, Россия)
1 vvalekseyev@mail.ru, 2 pgkorolev@gmail.com

Постановка проблемы. Количественная характеризация фиброза миокарда по данным магнитно-резонансной томографии (МРТ) с отсроченным контрастированием используется для прогнозирования исходов сердечно-сосудистых заболеваний, выбора терапевтической и хирургической стратегии. В клинической практике для количественной оценки фиброза магнитно-резонансные изображения сердца, как правило, обрабатываются либо вручную, либо полуавтоматически (пороговыми методами), что требует значительных временных затрат специалиста.

Цель. Исследовать влияние способа предварительной подготовки двухмерных постконтрастных МР-изображений сердца пациентов с постинфарктным кардиосклерозом на эффективность нейросетевой сегментации миокарда левого желудочка и фиброзной ткани. Рассмотреть автоматизацию этапа подготовки изображений, и создание полностью автоматического метода сегментации.

Результаты. Создан набор данных, состоящий из МР-изображений сердца с отсроченным контрастированием пациентов с признаками постинфарктного кардиосклероза с размеченными структурами здорового миокарда и полости левого желудочка, а также фиброза миокарда. На созданном наборе данных обучено несколько моделей нейронных сетей с целью автоматизации расчета относительного объема фиброза миокарда левого желудочка. Показано, что подготовка изображений вручную обеспечивает высокоточную сегментацию фиброза миокарда левого желудочка нейронной сетью с архитектурой U-Net. При этом исследовано несколько вариантов такой подготовки и выявлены наиболее оптимальные, обеспечивающие сходство предсказанных и эталонных масок фиброза на уровне выше 85%. Попытка автоматизации шагов предварительной подготовки привела к некоторому снижению сходства (до 74%). Однако целевая метрика – относительный объем фиброза – в наиболее эффективном варианте автоматического алгоритма показала высокую корреляцию (p = 0,91; p ≤ 0.001) с таковой, полученной вручную опытным врачом-рентгенологом.

Практическая значимость. Предложенный автоматический метод, предоставляющий врачам-рентгенологам маски фиброза и здорового миокарда, может быть использован в качестве системы поддержки принятия решений.

Алексеев В.В., Королев П.Г., Царева А.В., Кузьмина А.Д., Журбило П.Г. Анализ результатов измерений информативных параметров цифрового двойника для оценки результативности реабилитации после травм опорно-двигательного аппарата // Биомедицинская радиоэлектроника. 2024. T. 27. № 3. С. 62–71. DOI: https://doi.org/10.18127/ j15604136-202403-06

1. Sun B. et al. Human gait modeling and gait analysis based on Kinect // 2014 IEEE International Conference on Robotics and Automation (ICRA). IEEE. 2014. P. 3173–3178.
2. Jung P.G. et al. A mobile motion capture system based on inertial sensors and smart shoes // Journal of Dynamic Systems, Measurement, and Control. 2014. Т. 136. №. 1.
3. Alekseev V.V., Korolyov P.G., Olar V.O., Tsareva A.V. Systems Design for Movement Kinematics Research. Efficiency Criteria. Young Researchers in Electrical and Electronic Engineering (EIConRus) // 2017 IEEE Conference of Russian 1-3 Feb. 2017. P. 251–253.
4. Areshko, E.O., Zabolotskaya, N.K., Korolev, P.G. Movement kinematics research systems. Architectural solutions // 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM’2017). P. 593–595.
5. Alekseev V.V. et al. Movement kinematics research systems. Analysis of linear accelerations signals // 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). IEEE, 2018. P. 857–860.
6. Алексеев В.В., Иванова Н.Е., Соколова Ф.М., Королев П.Г. Измерительная система для контроля параметров кинематического портрета человека. Ч. 1. Система контроля // Приборы. 2019. № 9. C. 16–24.
7. Алексеев В.В., Иванова Н.Е., Соколова Ф.М., Королев П.Г., Царева А.В. Измерительная система для контроля параметров кинематического портрета человека. Ч. 2. Система вывода // Приборы. 2019. № 9. C. 24–32.
8. Королев П.Г. и др. Оценка дефектов железнодорожного полотна. Исследование критерия // Междунар. конф. по мягким вычислениям и измерениям. СПб.: ГЭТУ «ЛЭТИ». 2018. Т. 1. С. 85–88.
9. Королев П.Г. Организация работы средств измерений с метрологическим самоконтролем // Измерение. Мониторинг. Управление. Контроль. 2019. №. 4 (30). С. 51–57.
10. Korolev P.G. et al. Movement Kinematics Research Systems. The Measuring Experiment Organization // 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). IEEE, 2019. P. 553–555.
11. Царёва А.В., Алексеев В.В., Иванова Н.Е., Королёв П.Г., Соколова Ф.М. Исследование кинематики движений пациентов нейрохирургического профиля на стационарном этапе // Нижний Новгород: СТМ. 2019. Т. 11. № 3. C. 81–88.
12. Царёва А.В., Курочкин А.Ю., Алексеев В.В. Информационно-измерительная система для исследования кинематики движений человека. Беспроводная передача данных // Моделирование, оптимизация и информационные технологии. 2019. Т. 7. № 3.