Е.В. Богданов1, Муджиб Аль-Харош2, Г.А. Каркашадзе3, С.И. Щукин4

1,3 Российский научный центр хирургии им. акад. Б.В. Петровского (Москва, Россия)
1,2,4 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
1 Evgeniy.bogdanov95@gmail.com, 2 Alharosh@bmstu.ru, 3 karga@mail.ru, 4 schookin2200@yahoo.com

Постановка проблемы. Диагностика и мониторинг нейродегенеративных изменений при мукополисахаридозах (МПС) у детей представляют собой одну из наиболее сложных задач современной педиатрической нейрорентгенологии. Несмотря на широкое использование магнитно-резонансной томографии (МРТ), интерпретация изображений зачастую носит субъективный характер и зависит от квалификации специалиста. Существующие программные решения, такие как FreeSurfer и SPM, не обеспечивают достаточной точности при анализе детских МР-данных, особенно при редких наследственных патологиях, сопровождающихся нарушениями МР-сигнала. Отсутствие специализированных инструментов количественной оценки морфометрических изменений и прогноза динамики заболевания ограничивает возможности врача в объективной оценке эффективности терапии и планировании дальнейшей тактики ведения пациента.

Цель. Апробировать программно-алгоритмический комплекс (ПАК) для анализа МРТ головного мозга у детей с МПС, обеспечивающий автоматизированную фильтрацию, сегментацию, количественную оценку структур мозга и прогнозирование динамики заболевания с целью повышения точности и воспроизводимости диагностики, а также создания инструмента поддержки принятия врачебных решений в клинической практике.

Результаты. Апробирован ПАК для анализа МРТ головного мозга у детей с МПС. Показано, что применение комбинированного метода вейвлет-преобразования и анизотропной диффузии позволило повысить качество фильтрации изображений и сохранить четкие границы структур мозга. Отмечено, что диагностическая модель, реализованная на основе логистической регрессии, показала высокую точность классификации пациентов с МПС, при AUC = 0,95. С использованием прогностического модуля обеспечено моделирование динамики заболевания с использованием линейной и экспоненциальной моделей, при этом расхождение менее 6% с фактическими клиническими данными. С помощью экспоненциальной модели наиболее адекватно описаны ускоренные нейродегенеративные изменения, характерные для МПС I типа. Апробация проведена на данных 19 пациентов: 15 с подтвержденным диагнозом МПС и 4 условно здоровых. Показано повышение точности сегментации на 10,1% по сравнению с FreeSurfer. Продемонстрирована высокая воспроизводимость и диагностическая надежность комплекса. Получены данные, подтверждающие эффективность комплекса как инструмента количественной диагностики и мониторинга динамики заболевания в клинической практике.

Практическая значимость. Разработанный комплекс обеспечивает врачу объективные количественные показатели для диагностики и мониторинга нейродегенеративных изменений при МПС, повышая воспроизводимость анализа и снижая влияние субъективного фактора. Программный комплекс может быть интегрирован в клинические рабочие места для автоматизированной обработки МРТ, применен при оценке эффективности ферментозаместительной терапии, а также использован в клинических исследованиях новых методов лечения и доставки препаратов через гематоэнцефалический барьер.

Кроме того, предложенный подход универсален и может быть адаптирован для других нейродегенеративных и метаболических заболеваний детского возраста.

1. Muenzer J. Overview of the mucopolysaccharidoses. Rheumatology. 2011. V. 50. № 5. P. v4–v12.
2. Захарова Е.Ю., Воскобоева Е. Ю. Нейродегенеративные аспекты мукополисахаридозов // Медицинская генетика. 2018. Т. 17. № 2. С. 3–11.
3. Баранов А.А., Намазова-Баранова Л.С. Клинические рекомендации по диагностике и лечению мукополисахаридоза I типа. М.: ПедиатрЪ. 2019. 48 с.
4. Fischl B. FreeSurfer // NeuroImage. 2012. V. 62. № 2. P. 774–781.
5. Морозов С.П., Владзимирский А.В., Гомболевский В.А. Искусственный интеллект в лучевой диагностике: настоящее и будущее // Вестник рентгенологии и радиологии. 2020. Т. 101. № 1. С. 5–12.
6. Daubechies I. Orthonormal bases of compactly supported wavelets. Communications on Pure and Applied Mathematics. 1988. V. 41. № 7. P. 909–996.
7. Perona P., Malik J. Scale-space and edge detection using anisotropic diffusion. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. V. 12. № 7. P. 629–639.
8. Donoho D.L. De-noising by soft-thresholding. IEEE Transactions on Information Theory. 1995. V. 41. № 3. P. 613–627.
9. Gabrielli O., ClarkeL. A., Bruni M.T.D. Correlation between cerebral MRI findings, cognitive development and behaviour in patients with mucopolysaccharidosis type II. Orphanet Journal of Rare Diseases. 2010. V. 5. № 23.
10. Iozzo R.V., San Antonio J.D. The biology of perlecan: the king of syndecans. Journal of Biological Chemistry. 2012. V. 287. № 13. P. 10038–10045.
11. Manara R., Di Rocco F.S., Tomanin G.S.I. Brain imaging in mucopolysaccharidoses: a systematic review. Journal of Inherited Metabolic Disease. 2016. V. 39. № 3. P. 343–357.
12. Vedolin L., Schwartz M.G.M.S., Komlos L.S.C. MRI findings of the central nervous system in mucopolysaccharidoses: a systematic review. Journal of Neuroimaging. 2013. V. 23. № 4. P. 509–518.
13. Cabezas M., Oliver A., Lladó X. A review of atlas-based segmentation for magnetic resonance brain images. Computer Methods and Programs in Biomedicine. 2011. V. 104. № 3. P. e158–e177.
14. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера. 2012. 1104 с.
15. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention MICCAI 2015. Springer. 2015. P. 234–241.
16. Hamano K. Pathophysiology of brain abnormalities in the mucopolysaccharidoses. Brain & Development. 2008. V. 30. № 10. P. 659–666.
17. Litjens G., Kooi T., Bejnordi B.E. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017. V. 42. P. 60–88.
18. Giedd J.N., Blumenthal J., Jeffries N.O. Brain development during childhood and adolescence: a longitudinal MRI study. Nature Neuroscience. 1999. V. 2. № 10. P. 861–863.
19. Каркашадзе Г.А., Фирумянц А.И., Шилко Н.С., Сергиенко Н.С., Нестерова Ю.В., Яцык Л.М., Руденко Е.Н., Полле М.И., Салимгареева Т.А., Гогберашвили Т.Ю., Сергеева Н.С., Константиниди Т.А., Садиллоева С.Х., Куракина М.А., Дьяченко В.В., Поваляева И.А., Богданов Е.В., Рыкунова А.И., Вишнева Е.А., Кайтукова Е.В., Эфендиева К.Е., Намазова-Баранова Л.С. Структурная морфометрия головного мозга у детей с синдромом дефицита внимания и гиперактивности и коморбидными легкими когнитивными нарушениями // Вопросы современной педиатрии. 2024. № 23(6). С. 466–482.
20. Левчук А.Г. Автоматический и полуавтоматический метод сегментации постинфарктного кардиосклероза по МР-томографии // Биомедицинская радиоэлектроника. 2024. Т. 27. № 3. С. 13–27.