Автоматическое обнаружение методами глубокого машинного обучения опухолей головного мозга по данным интраоперационного ИК-термокартирования
Наш научно-исследовательский проект по анализу ИК-термокарт коры головного мозга человека вышел на очередной уровень своего логического развития. Мы попробовали применить методы машинного обучения к данным интраоперационного ИК-термокартирования для выявления границ опухолей головного мозга. Результаты данного эксперимента изложены в препринте, выложенном на ArXiv.org [1], а краткое содержание работы приведено в настоящей заметке.
В настоящее время в нейрохирургических клиниках при проведении операций по удалению опухолей головного мозга человека используются различные технологии интраоперационной нейронавигации: КТ, МРТ, трактография, сонография, флуоресцентная диагностика, лазерная биоспектроскопия и т.п. Эти технологии поставляют клинические данные с различным разрешением и часто имеют существенную стоимость, сложность и ряд других ограничений. Альтернативным неинвазивным методом интраоперационной нейронавигации является активное ИК-термокартирование на основе холодовой пробы [2]. Данная проба порождает обратимое возмущающее воздействие на систему терморегуляции головного мозга, вызывая объективную разницу в динамике восстановления температурного поля в проекции опухоли на поверхность головного мозга и вне её (в зоне относительно интактной коры). В свою очередь, пространственно-временное распределение этого поля по поверхности головного мозга дистанционно фиксируется матричным тепловизором.
На рисунке приведена циклограмма процесса ИК-мониторинга, в привязке к основным операциям (масштаб по оси времени отсутствует).
Обозначения на циклограмме имеют смысл: TIFR – запись тепловизионного фильма, SM – хирургические манипуляции, BF – буферный отрезок времени, CA – аппликация хладагента, СR – пассивное или активное (аспирация) удаление хладагента, RP – период свободного восстановления температурного поля. Подробное описание холодовой пробы и циклограммы см. в работе [2].
Нами предложена и апробирована схема контура распознавания зон в поле зрения тепловизора, приведённая на рисунке ниже.
На вход системы с матричного тепловизора подаётся 3-х мерный массив температур пикселей (2-х мерный массив – пространственные компоненты и 1 мерный – временная компонента). Далее он подвергается основным преобразованиям: EDR – устранение небольших смещений и/или вращений кадров; RDF – удаление повреждённых кадров (некомпенсируемое смещение и/или вращение кадров, перемещение в поле зрения тепловизора посторонних объектов); ATP – аппроксимация температуры пикселей; FEn – создание базовых признаков; TP – трансформация предикторов; FEx – извлечение иерархии признаков; Cl – классификатор; TF – топологический фильтр; PF – вероятностный фильтр; LPS – логико-вероятностный решатель. В блок PsP – постобработки, также подаётся информация с ТВ канала тепловизора, для совмещения координатных систем применяется подход изложенный в нашей ранней заметке. Подробнее режимы работы и управляющие параметры системы описаны в работе [1].
Протокол получения первичных данных и методика разметки ИК-кадров, для формирования обучающей и тестовой выборок, изложены в работе [2]. Было проведено обучение двух типов классификаторов: Random Forest (RF) и Stacked Denoising Auto-encoders (SDAE). Использованный в работе классификатор SDAE, является многослойной полносвязной нейронной сетью, схема которой приведена на рисунке ниже.
В результате проведённых экспериментов установлено [1], что классификатор RF обладает неприемлемым качеством в части выделения зоны опухоли, в то время, как классификатор SDAE обладает практически равномерным качеством по всем трём классам (норма, опухоль, фон) и обеспечивает базовый уровень функциональности. Изучение причин подобного различия моделей RF и SDAE – предмет наших текущих исследований.
В качестве примера функционирования классификатора SDAE рассмотрим образец CP90 (глиобластома, grade IV, локализована в средне-задних отделах левой лобной доли парасагиттально, субкортикально, на глубине 3-5 мм). Этот образец не входил в обучающую выборку. На рисунке ниже показана последовательность ИК кадров, полученных в результате активного ИК-термокартирования невскрытой Dura Mater (режим классификации On).
Для CP90 алгоритм показал следующие значения попиксельного качества (Balanced Accuracy, на выходе классификатора): NA – 68.11%, HA – 68.45%, WA – 94.55%. Как следует из рисунка ниже, на выходе классификатора присутствует точечный шум и области, имеющие малый физический размер. Эти два вида ошибок эффективно устраняются топологическим фильтром, см. рисунок (b). Помимо этих нарушений, присутствуют также ошибочно классифицированные области, имеющие существенный пространственный размер. Подробный анализ нарушений и возможных путей их устранения приведён в работе [1].
Таким образом, работа продемонстрировала (на основе обработки данных с 43-х нейрохирургических операций) принципиальную возможность автоматического распознавания границ опухолей головного мозга по данным интраоперационного активного ИК-термокартирования. Полученные показатели качества обученного классификатора обеспечивают базовый уровень функциональности разработанного алгоритма, не являются окончательными и должны рассматриваться как некая точка отсчёта в плане дальнейшего повышения качества функционирования разработанной системы.
Литература
1. A.V. Makarenko, M.G. Volovik, Implementation of deep learning algorithm for automatic detection of brain tumors using intraoperative IR-thermal mapping data // arXiv:1512.07041 [Computer Vision and Pattern Recognition (cs.CV); Learning (cs.LG); Quantitative Methods (q-bio.QM); Machine Learning (stat.ML)], Submitted on 22 Dec 2015.
2. Макаренко А.В., Воловик М.Г. Метод дифференцированного анализа ИК термокарт открытой коры головного мозга при проведении нейрохирургических операций // Оптический журнал, 2015, том 82, выпуск 7, С. 80-89.
30 декабря 2015 года.
Андрей Макаренко,
группа «Конструктивная Кибернетика».
Обсуждение: contact@rdcn.ru
Ключевые слова: Глубокое машинное обучение, опухоли головного мозга, ИК-термокартирование, холодовая проба, интраоперационная навигация.
