В.Н. Гридин1, В.Е. Синицын2, В. И. Солодовников3, М.И. Труфанов4, Н.Н. Яхно5, И.А. Евдокимов6

1–6 Центр информационных технологий в проектировании РАН (г. Одинцово, Московская область, Россия)
1–6 info@ditc.ras.ru

Постановка проблемы. Исследования определяются сложностью нахождения и измерения параметров энторинальной коры вследствие ее особенностей на магнитно-резонансных томографических изображениях: кора головного мозга расположена рядом с гиппокампом и представляет собой малый по размеру, сложный по форме с отсутствием четких границ для сегментации с прилегающими структурами объект, имеющий криволинейную форму шириной в несколько пикселей и длиной в несколько десятков пикселей со слабовыраженными краями. Анализ публикаций по данной задаче выявил отсутствие специфических решений, тогда как общие решения на базе известных общедоступных и платных продуктов требуют адаптации для анализа энторинальной коры.

Цель. Разработка метода, алгоритмов для анализа и распознавания свойств классов малых по размеру и схожих по визуальным свойствам с другими рядом расположенными тканями биологических объектов на медицинских изображениях для локализации и определения свойств энторинальной коры головного мозга.

Результат. Разработанный метод и алгоритмы обнаружения и определения параметров энторинальной коры и прилегающей к ней тканей для построения классификатора для разделения пациентов с начальными когнитивными нарушениями и здоровых людей. Для решения задачи применено итерационное использование нейронных сетей на базе архитектуры yolo c последующим уточнением свойств классов, определяющих пациента с когнитивными нарушениями или здорового индивида.

Практическая значимость. Полученные результаты говорят о том, что представленное решение будет далее использовано для реализации исследований на начальных этапах формирования когнитивных нарушений при обработке магнитно-резонансных томографических данных пациентов и здоровых людей, что обеспечит выявление когнитивных нарушений на начальной стадии.

Гридин В.Н., Синицын В.Е., Солодовников В.И., Труфанов М.И., Яхно Н.Н., Евдокимов И.А. Метод вычисления свойств энторинальной коры на магнитно-резонансных томографических изображениях головного мозга // Системы высокой доступности. 2024. Т. 20. № 4. С. 64−77. DOI: https://doi.org/10.18127/ j20729472-202404-07

1. A High-Resolution Model of the Human Entorhinal Cortex in the Big Brain – Use Case for Machine Learning and 3D Analyses Sabrina Behuet, Sebastian Bludau, Olga Kedo, Christian Schiffer, Timo Dickscheid, Andrea Brandstetter1, Philippe Massicotte, Mona Omidyeganeh, Alan Evans, and Katrin Amunts.
2. Hippocampal subfield and amygdala nuclei volumes in schizophrenia patients with a history of violence. 2020. European Archives of Psychiatry and Clinical Neuroscience 270(10) DOI:10.1007/s00406-020-01098-y
3. The Alzheimer's disease neuroimaging initiative (ADNI): MRI methods. April 2008. V. 27. Iss. 4. P. 685–691.
4. Tracey I., Leknes S.G. Hippocampus and Entorhinal Complex: Functional Imaging. In: Gebhart G.F., Schmidt R.F. (eds). Encyclopedia of Pain. Springer, Berlin, Heidelberg. 2013. https://doi.org/10.1007/978-3-642-28753-4_1763
5. Segmentation of the mouse hippocampal formation in magnetic resonance images. Kay Richards, Charles Watson, Rachel F. Buckley. NeuroImage. October 2011. V. 58. Iss. 3. P. 732–740.
6. Transfer Learning for Alzheimer's Disease Diagnosis from MRI Slices: A Comparative Study of Deep Learning Models. Georgiana Ingrid Stoleru, Adrian Iftene Science. Procedia Computer. 2023. V. 225. P. 2614–2623.
7. Diwan T., Anirudh G. & Tembhurne J.V. Object detection using YOLO: challenges, architectural successors, datasets and applications. Multimed Tools Appl, 2023. № 82. Р. 9243–9275. https://doi.org/10.1007/s11042-022-13644-y
8. Гридин В.Н., Перепелов В.А., Панищев В.С., Труфанов М.И., Яхно Н.Н. Алгоритм вычисления параметров гиппокампа при диагностике болезни альцгеймера // Биомедицинская радиоэлектроника. 2019. Т. 22. № 7. С. 5–15.
9. 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.
10. Гридин В.Н., Труфанов М.И., Яхно Н.Н., Синицын В.Е. Метод декомпозиции биологических объектов на МРТ изобра­жениях при схожем фоне // Информационные технологии и вычислительные системы. 2024. № 2. С. 37–51.
11. Гридин В.Н., Газов А.И., Новиков И.А., Солодовников В.И., Труфанов М.И. Немасштабируемые функции в качестве моделей границы биологического объекта // Системы высокой доступности. 2021. Т. 17. № 4. С. 66–75.