Д.И. Веселов1, Н.А. Андриянов2

1,2 Финансовый университет при Правительстве РФ (Москва, Россия)

1 diveselov@fa.ru, 2 naandriyanov@fa.ru

Постановка проблемы. Перелом шейного отдела позвоночника требует неотложной медицинской помощи в связи с тем, что нарушение целостности одного или нескольких шейных позвонков может привести к параличу или летальному исходу. Точная диагностика пациентов с переломом позвоночника с помощью рентгенологических методов имеет важное значение для начала лечения пациента. Однако на диагностирование перелома у врачей порой может уходить длительное время, поэтому особую актуальность имеют вопросы автоматизации процесса диагностики.

Цель. Разработать систему компьютерного зрения для обнаружения переломов шейного отдела позвоночника на медицинских снимках.

Результаты. Разработан двухэтапный нейросетевой алгоритм: на первом этапе обучалась сегментационная нейронная сеть на основе UNET и сверточной нейронной сети ResNet-101; на втором этапе использовался 3D классификатор на основе ConvNext и LSTM. Показано, что предложенный алгоритм способен распознавать как переломы в целом, так и в отдельно взятом позвонке.

Практическая значимость. Разработанные решения могут быть полезны медицинским работникам в качестве вспомогательного решения в виде системы поддержки принятия решений, поскольку могут обрабатывать большие объемы информации за более короткое время, чем человек.

Веселов Д.И., Андриянов Н.А. Обнаружение переломов шейного отдела позвоночника методами искусственного интеллекта // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 6. С. 39-48. DOI: https://doi.org/10.18127/j19998554-202406-06

1. Морозов И.Н., Млявых С.Г. Эпидемиология позвоночно-спинномозговой травмы (обзор) // Медицинский Альманах. 2011. № 4(17). С. 157–159.
2. Андреева Т.М., Огрызко Е.В. Травматизм, ортопедическая заболеваемость, состояние травматолого-ортопедической помощи населению России в 2016 году / Под ред. акад. РАН С.П. Миронова. М.: Телер. 2017. 131 с.
3. Barbiellini Amidei C., Salmaso L., Bellio S., Saia M. Epidemiology of traumatic spinal cord injury: a large population-based study // Spinal Cord. 2022. V. 60. № 9. P. 812–819. DOI 10.1038/s41393-022-00795-w.
4. Толкачев В.С., Бажанов С.П., Ульянов В.Ю., Федонников А.С., Нинель В.Г., Салиху X., Норкин И.А. Эпидемиология травм позвоночника и спинного мозга // Саратовский научно-медицинский журнал. 2018. Т. 14. № 3. С. 592–595.
5. Sun X., He L., Jiang H., Li R., Mao W., Zhang D., Majeed Ya., Andriyanov N., Soloviev V., Fu L. Morphological estimation of primary branch length of individual apple trees during the deciduous period in modern orchard based on PointNet++ // Computers and Electronics in Agriculture. 2024. V. 220. P. 108873. DOI 10.1016/j.compag.2024.108873.
6. Веселов Д.И., Андриянов Н.А. Сегментация медицинских изображений с использованием методов компьютерного зрения // Сборник трудов XXX Междунар. науч.-технич. конф. «Радиолокация, навигация, связь». Воронеж: Издательский дом ВГУ. 2024. С. 75–80.
7. Веселов Д.И., Фан А.Ч., Гаврилин П.С., Андриянов Н.А. Обнаружение лиц с помощью гибридных // Тезисы докладов 21-й Всеросс. конф. с междунар. участием «Математические методы распознавания образов». М.: РАН. 2023. С. 146–147.
8. Корчагин С.А. Система компьютерного зрения для автоматической классификации нанокомпозитов // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 16−26. DOI 10.18127/j20700814-202305-03.
9. Galbusera F. Chapter 14 – Biomechanics of the spine // Human Orthopaedic Biomechanics. 2022. P. 265–283. DOI 10.1016/B978-0-12-824481-4.00019-6.
10. Dunsker S.B., Zhang M., Kim L., Cheong R., Cohen-Wang B., Shpanskaya K., Wetstone J., Manoj N., Rajpurkar P., Yeom K. Deep-learning artificial intelligence model for automated detection of cervical spine fracture on computed tomography (CT) imaging // Journal of Neurosurgery. 2019. V. 131. P. 12–28.
11. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 770778. DOI 10.1109/CVPR.2016.90.
12. Chen Y., Gao Y., Li K., Zhao L., Zhao J. Vertebrae identification and localization utilizing fully convolutional networks and a hidden Markov model // IEEE Transactions on Medical Imaging. 2019. V. 39. № 2. P. 387–399. DOI 10.1109/TMI.2019.2927289.
13. Forsberg D., Sjöblom E., Sunshine J. Detection and labeling of vertebrae in MR images using deep learning with clinical annotations as training data // Journal of digital imaging. 2017. V. 30. № 4. P. 406–412. DOI: 10.1007/s10278-017-9945-x.
14. Salehinejad H., Ho E., Lin H.M., Crivellaro P., Samorodova O., Arciniegas M.T., Merali Z., Suthiphosuwan S., Bharatha A., Yeom K. Deep sequential learning for cervical spine fracture detection on computed tomography imaging // IEEE 18th International Symposium on Biomedical Imaging. 2021. P. 1911–1914. DOI 10.1109/ISBI48211.2021.9434126.
15. Chład P., Ogiela M.R. Deep learning and cloud-based computation for cervical spine fracture detection system // Electronics. 2023. V. 12. № 9. P. 2056. DOI 10.3390/electronics12092056.
16. Naguib S.M., Hamza H.M., Hosny Kh.M., Saleh M.K., Kassem M.A. Classification of Cervical Spine Fracture and Dislocation Using Refined Pre-Trained Deep Model and Saliency Map // Diagnostics. 2023. V. 13. № 7. P. 1273. DOI 10.3390/diagnostics13071273.
17. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // In Medical Image Computing and Computer-Assisted Intervention. 2015. P. 234–241.
18. Kim Y.J., Ganbold B., Kim K.G. Web-based spine segmentation using deep learning in computed tomography images // Healthcare informatics research. 2020. V. 26. № 1. P. 61–67. DOI 10.4258/hir.2020.26.1.61.
19. Fang Y., Li W., Chen X., Chen K., Kang H., Yu P., Zhang R., Liao J., Hong G., Li S. Opportunistic osteoporosis screening in multi-detector CT images using deep convolutional neural networks // European Radiology. 2021. V. 31. № 4. P. 1831–1842. DOI 10.1007/s00330-020-07312-8.
20. Lessmann N., Van Ginneken B., De Jong P., Išgum I. Iterative fully convolutional neural networks for automatic vertebra segmentation and identification // Medical image analysis. 2019. V. 53. P. 142–155. DOI 10.1016/j.media.2019.02.005.
21. Fan G., Liu H., Wu Z., Li Y., Feng C., Wang D., Luo J., Wells W.M., He S. Deep learning-based automatic segmentation of lumbosacral nerves on CT for spinal intervention: a translational study // American Journal of Neuroradiology. 2019. V. 40. № 6. P.1074–1081. DOI 10.3174/ajnr.A6070.
22. Dance D.R., Christofides S., Maidment A.D.A., McLean I.D., Ng K.H. Diagnostic radiology physics: a handbook for teachers and students. Vienna: International Atomic Energy Agency. 2014. 682 p.
23. Andriyanov N.A., Dementiev V.E., Tashlinskiy A.G. Deep Markov Models of Multidimensional Random Fields // Procedia Computer Science. 2020. V. 176. P. 1289–1298. DOI 10.1016/j.procs.2020.09.138.
24. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 770–778. DOI 10.1109/CVPR.2016.90.
25. Todi A., Narula N., Sharma M., Gupta U. ConvNext: A Contemporary Architecture for Convolutional Neural Networks for Image Classification // 3rd International Conference on Innovative Sustainable Computational Technologies. 2023. P. 1–6. DOI 10.1109/ CISCT57197.2023.10351320.
26. Carass A., Roy S., Gherman A., Reinhold J.C., Jesson A. Evaluating White Matter Lesion Segmentations with Refined Sørensen-Dice Analysis // Scientific Reports. 2020. V. 10. № 1. P. 8242. DOI 10.1038/s41598-020-64803-w.
27. Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана-Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46. № 1. С. 139–159. DOI 10.18287/2412-6179-CO-922.
28. Usha R., Vamsidhar Y. Binary cross entropy with deep learning technique for Image classification // International Journal of Advanced Trends in Computer Science and Engineering. 2020. V. 9. P. 121–134. DOI 10.30534/ijatcse/2020/175942020.
29. Andriyanov N.A. Andriyanov D.A. Pattern Recognition on Radar Images Using Augmentation // Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology. 2020. P. 0289–0291. DOI 10.1109/USBEREIT48449.2020.9117669.
30. Diederik K., Jimmy B. Adam: A Method for Stochastic Optimization // In Proceedings of International Conference on Learning Representations. 2014. P. 1–8.