izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2024-11-45-52izmertech-2310Research ArticleМЕДИЦИНСКИЕ И БИОЛОГИЧЕСКИЕ ИЗМЕРЕНИЯMEDICAL AND BIOLOGICAL MEASUREMENTSИскусственный интеллект в онкоурологии: интегрированные технологии глубокого обучения в задачах сегментации трёхмерных изображений новообразований почекArtificial intelligence in oncourology: integrated deep learning technologies in the tasks of segmentation of three-dimensional images of kidney tumorshttps://orcid.org/0000-0002-4349-3023НикитаевВ. Г.NikitaevValentin G.

Валентин Григорьевич Никитаев,

Москва.

Moscow.

vgnikitayev@mephi.ruhttps://orcid.org/0000-0002-6096-5723ПушкарьД. Ю.PushkarDmitry Yu.

Дмитрий Юрьевич Пушкарь,

Москва.

Moscow.

pushkardm@mail.ruhttps://orcid.org/0000-0001-7748-9527МатвеевВ. Б.MatveevVsevolod B.

Всеволод Борисович Матвеев, 

Москва.

Moscow.

v.matveev@ronc.ruhttps://orcid.org/0000-0003-0443-8504ПроничевА. Н.PronichevAlexander N.

Александр Николаевич Проничев,

Москва.

Moscow.

anpronichev@mephi.ruhttps://orcid.org/0000-0003-1355-788XНагорновО. В.NagornovOleg V.

Олег Викторович Нагорнов,

Москва.

Moscow.

ovnagornov@mephi.ruhttps://orcid.org/0000-0001-8693-5357ОтченашенкоА. И.OtchenashenkoAlexander I.

Александр Иванович Отченашенко,

Москва.

Moscow.

alot.zte@gmail.comhttps://orcid.org/0009-0001-0509-6748КлейманА. И.KleymanArtem I.

Артем Игоревич Клейман,

Москва.

Moscow.

kleyman.art@gmail.comНациональный исследовательский ядерный университет «МИФИ»РоссияNational Research Nuclear University “MEPhI”Russian FederationРоссийский университет медициныРоссияRussian University of MedicineRussian FederationНациональный медицинский исследовательский центр онкологии имени Н. Н. БлохинаРоссияN. N. Blokhin National Medical Research Center of OncologyRussian Federation2024190120250114552Copyright © Никитаев В.Г., Пушкарь Д.Ю., Матвеев В.Б., Проничев А.Н., Нагорнов О.В., Отченашенко А.И., Клейман А.И., 20252025Никитаев В.Г., Пушкарь Д.Ю., Матвеев В.Б., Проничев А.Н., Нагорнов О.В., Отченашенко А.И., Клейман А.И.Nikitaev V.G., Pushkar D.Y., Matveev V.B., Pronichev A.N., Nagornov O.V., Otchenashenko A.I., Kleyman A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.izmt.ru/jour/article/view/2310

С целью повышения точности диагностики онкологических заболеваний представлена новая архитектура свёрточной нейронной сети, обеспечивающая автоматическую сегментацию и обнаружение опухолей почек на трёхмерных изображениях, полученных методом компьютерной томографии. В основу предложенного подхода положена интеграция трёх взаимодополняющих технологий: многоуровневой свёрточной обработки, остаточных соединений и архитектурных принципов U-Net. Такой подход обеспечивает эффективную обработку объёмных медицинских данных. Построена оригинальная нейросетевая система сегментации полученных методом компьютерной томографии изображений почек и обнаружения опухолей почек. Для валидации построенной системы использовали набор данных, который отвечал следующим критериям: достаточный объём выборки (не менее 300 случаев); экспертная разметка изображений; верифицированные диагнозы; разнообразие клинических случаев; открытый доступ для исследовательских целей. Указанным критериям наиболее полно соответствует набор данных KiTS19 (Kidney Tumor Segmentation 2019), предоставленный Клиникой Университета Миннесоты через платформу Grand Challenge. Набор данных включает 300 размеченных трёхмерных изображений почек с верифицированными диагнозами. Этапы эксперимента: предварительная обработка набора данных, включая нормализацию и аугментацию; обучение разработанной системы на 210 случаях; валидация на независимой выборке из 90 случаев. Результаты эксперимента демонстрируют высокую диагностическую эффективность разработанной системы: точность автоматической сегментации анатомических структур почек составила 96 % (по коэффициенту Дайса); точность обнаружения и сегментации опухолевых образований достигла 91 % (по коэффициенту Дайса). Полученные результаты можно применять в следующих областях клинической практики: предоперационное планирование и навигация при органосохраняющих операциях; автоматизированный скрининг исследований с помощью компьютерной томографии для раннего выявления новообразований почек; количественная оценка динамики роста опухолей при мониторинге течения заболевания; поддержка принятия клинических решений в онкоурологии.

In order to improve the accuracy of cancer diagnosis, a new convolutional neural network architecture is presented, which provides automatic segmentation and detection of kidney tumors on three-dimensional images obtained by computed tomography. The proposed approach is based on the integration of three complementary technologies: multilevel convolutional processing, residual connections and U-Net architectural principles. This approach ensures efficient processing of voluminous medical data. An original neural network system for segmentation of kidney images obtained by computed tomography and detection of kidney tumors has been built. To validate the system, a comprehensive experiment was conducted using the publicly available KiTS19 dataset (Kidney Tumor Segmentation 2019) provided by the University of Minnesota Clinic through the Grand Challenge platform. The dataset includes 300 labeled images of kidneys obtained by computed tomography, with confirmed diagnoses. The experiment consisted of the following stages: dataset preprocessing, including normalization and augmentation; system training for 210 cases; validation on an independent sample of 90 cases. The results of the experiment demonstrate the high diagnostic efficiency of the system: the accuracy of automatic segmentation of anatomical structures of the kidneys was 96 % (according to the Dice coefficient); the accuracy of detection and segmentation of tumor formations has reached 91 % (according to the Dice coefficient). The results obtained can be applied in the following areas of clinical practice: preoperative planning and navigation during organ – preserving operations; automated screening of studies using computed tomography for early detection of kidney tumors; quantitative assessment of the dynamics of tumor growth in monitoring the course of the disease; support for clinical decision-making in oncourology.

искусственный интеллектглубокое обучениесвёрточные нейронные сетитрёхмерная сегментация изображенийостаточные сетиархитектура U-Netобнаружение опухолей почекartificial intelligencedeep learningconvolutional neural networksthree-dimensional image segmentationresidual networksU-Net architecturekidney tumor detectionReferencesNikitaev V. G., Pronichev A. N., Nagornov O. V., Kruglova L. S., Sergeev V. Yu., Otchenashenko A. I. An artificial intelligence model for semantic segmentation of neoplasms in skin images. Biomedical Engineering, 58, 36–39 (2024). https://doi.org/10.1007/s10527-024-10361-8Nikitaev V. G., Pronichev A. N., Nagornov O. V., Kruglova L. S., Sergeev V. Yu., Otchenashenko A. I. An artificial intelligence model for semantic segmentation of neoplasms in skin images. Biomedical Engineering, 58, 36–39 (2024). https://doi.org/10.1007/s10527-024-10361-8Moawad A. W., Fuentes D. T., ElBanan M. G., Shalaby A. S., Guccione J., Kamel S. Jensen C. T., Elsayes K. M. Artificial intelligence in diagnostic radiology: where do we stand, challenges, and opportunities. Journal of Computer Assisted Tomography, 46(1), 78–90 (2022). https://doi.org/10.1097/RCT.0000000000001247Moawad A. W., Fuentes D. T., ElBanan M. G., Shalaby A. S., Guccione J., Kamel S. Jensen C. T., Elsayes K. M. Artificial intelligence in diagnostic radiology: where do we stand, challenges, and opportunities. Journal of Computer Assisted Tomography, 46(1), 78–90 (2022). https://doi.org/10.1097/RCT.0000000000001247Литвин А. А., Буркин Д. А., Кропинов А. А., Парамзин Ф. Н. Радиомика и анализ текстур цифровых изображений в онкологии (обзор). Современные технологии в медицине, 13(2), 97–106 (2021). https://doi.org/10.17691/stm2021.13.2.11Litvin A. A., Burkin D. A., Kropinov A. A., Paramzin F. N. Radiomics and digital image texture analysis in oncology (review). Sovremennye Tehnologii v Medicine, 13(2), 97–106 (2021). (In Russ.) https://doi.org/10.17691/stm2021.13.2.11Kim M., Yun J., Cho Y., Shin K., Jang R., Bae H., Kim N. Deep learning in medical imaging. Neurospine, 16(4), 657–668 (2019). https://doi.org/10.14245/ns.1938396.198Kim M., Yun J., Cho Y., Shin K., Jang R., Bae H.J., Kim N. Deep learning in medical imaging. Neurospine, 16(4), 657–668 (2019). https://doi.org/10.14245/ns.1938396.198Никитаев В. Г., Тупицын Н. Н., Проничев А. Н. и др. Анализ биологических объектов методом компьютерной микроскопии в видимом диапазоне электромагнитного излучения с применением нейронных сетей. Краткие сообщения по физике ФИАН, 48(10), 61–68 (2021).Nikitaev V. G., Tupitsyn N. N. Pronichev A. N. et al. Analysis of biological objects by digital optical microscopy using neural networks. Bulletin of the Lebedev Physics Institute, 48(10), 332–336 (2021). https://doi.org/10.3103/S1068335621100080Никитаев В. Г., Проничев А. Н., Тамразова О. Б. и др. Сверточные нейронные сети в диагностике новообразований кожи. Безопасность информационных технологий, 28(4), 118–126 (2021). https://doi.org/10.26583/bit.2021.4.09Nikitaev V. G., Pronichev A.N., Tamrazova O. B. Convolutional neural networks in the diagnosis of skin neoplasms. Bezopasnost Informatsionnykh Tekhnologiy, 28(4), 118–126 (2021). (In Russ.) https://doi.org/10.26583/bit.2021.4.09Hosny A., Parmar C., Quackenbush J., Schwartz L. H., Aerts H. J. W. L. Artificial intelligence in radiology. Nature Reviews Cancer, 18(8), 500–510 (2018). https://doi.org/10.1038/s41568-018-0016-5Hosny A., Parmar C., Quackenbush J., Schwartz L. H., Aerts H. J. W. L. Artificial intelligence in radiology. Nature Reviews Cancer, 18(8), 500–510 (2018). https://doi.org/10.1038/s41568-018-0016-5Bluemke D. A., Moy L., Bredella M. A., Ertl-Wagner B. B., Fowler K. J., Goh V. J., Halpern E. F., Hess Ch. P., Schiebler M. L., Weiss C. R. Assessing radiology research on artificial intelligence. Radiology, 294(3), 487–489 (2020). https://doi.org/10.1148/radiol.2019192515Bluemke D. A., Moy L., Bredella M. A., Ertl-Wagner B. B., Fowler K. J., Goh V. J., Halpern E. F., Hess Ch. P., Schiebler M. L., Weiss C. R. Assessing radiology research on artificial intelligence. Radiology, 294(3), 487–489 (2020). https://doi.org/10.1148/radiol.2019192515Varoquaux G., Cheplygina V. Machine learning for medical imaging: methodological failures and recommendations for the future. NPJ Digital Medicine, 5(1), 48 (2022). https://doi.org/10.1038/s41746-022-00592-yVaroquaux G., Cheplygina V. Machine learning for medical imaging: methodological failures and recommendations for the future. NPJ Digital Medicine, 5(1), 48 (2022). https://doi.org/10.1038/s41746-022-00592-yChoy G., Khalilzadeh O., Michalski M., Do S., Samir A. E., Pianykh O. S., Geis J. R., Pandharipande P. V., Brink J. A., Dreyer K. J. Current applications and future impact of machine learning in radiology. Radiology, 288(2), 318–328 (2018). https://doi.org/10.1148/radiol.2018171820Choy G., Khalilzadeh O., Michalski M., Do S., Samir A. E., Pianykh O. S., Geis J. R., Pandharipande P. V., Brink J. A., Dreyer K. J. Current applications and future impact of machine learning in radiology. Radiology, 288(2), 318–328 (2018). https://doi.org/10.1148/radiol.2018171820Montagnon E., Cerny M., Cadrin-Chênevert A., Hamilton V., Derennes Th., Ilinca A., Vandenbroucke-Menu F., Turcotte S., Kadoury S., Tang A. Deep learning workflow in radiology: a primer. Insights into Imaging, 11, 22 (2020). https://doi.org/10.1186/s13244-019-0832-5Montagnon E., Cerny M., Cadrin-Chênevert A., Hamilton V., Derennes Th., Ilinca A., Vandenbroucke-Menu F., Turcotte S., Kadoury S., Tang A. Deep learning workflow in radiology: a primer. Insights into Imaging, 11, 22 (2020). https://doi.org/10.1186/s13244-019-0832-5European Society of Radiology (ESR). Current practical experience with artificial intelligence in clinical radiology: a survey of the European Society of Radiology. Insights into Imaging, 13(1), 107 (2022). https://doi.org/10.1186/s13244-022-01247-yEuropean Society of Radiology (ESR). Current practical experience with artificial intelligence in clinical radiology: a survey of the European Society of Radiology. Insights into Imaging, 13(1), 107 (2022). https://doi.org/10.1186/s13244-022-01247-yMun S. K., Wong K. H., Lo Sh.-Ch. B., Li Ya., Bayarsaikhan Sh. Artificial Intelligence for the Future Radiology Diagnostic Service. Frontiers in Molecular Biosciences, 7, 614258 (2021). https://doi.org/10.3389/fmolb.2020.614258Mun S. K., Wong K. H., Lo Sh.-Ch. B., Li Ya., Bayarsaikhan Sh. Artificial Intelligence for the Future Radiology Diagnostic Service. Frontiers in Molecular Biosciences, 7, 614258 (2021). https://doi.org/10.3389/fmolb.2020.614258Chan H. P., Samala R. K., Hadjiiski L. M., Zhou C. Deep Learning in Medical Image Analysis. Advances in Experimental Medicine and Biology, 1213, 3–21 (2020). https://doi.org/10.1007/978-3-030-33128-3_1Chan H. P., Samala R. K., Hadjiiski L. M., Zhou C. Deep Learning in Medical Image Analysis. Advances in Experimental Medicine and Biology, 1213, 3–21 (2020). https://doi.org/10.1007/978-3-030-33128-3_1Aggarwal R., Sounderajah V., Martin G., Ting D. S. W., Karthikesalingam A., King D., Ashrafi an H., Darzi A. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digital Medicine, 4(1), 65 (2021). https://doi.org/10.1038/s41746-021-00438-zAggarwal R., Sounderajah V., Martin G., Ting D. S. W., Karthikesalingam A., King D., Ashrafi an H., Darzi A. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digital Medicine, 4(1), 65 (2021). https://doi.org/10.1038/s41746-021-00438-zZhang Y., Wang Y., Hou F. J. Yang, G. Xiong, J. Tian, Ch. Zhong. Cascaded volumetric convolutional network for kidney tumor segmentation from CT volumes. arXiv:1910.02235v2 [eess.IV]. https://doi.org/10.48550/arXiv.1910.02235Zhang Y., Wang Y., Hou F. J. Yang, G. Xiong, J. Tian, Ch. Zhong. Cascaded volumetric convolutional network for kidney tumor segmentation from CT volumes. arXiv:1910.02235v2 [eess.IV]. https://doi.org/10.48550/arXiv.1910.02235Zhao W., Jiang D., Peña Queralta J., Westerlund T. MSS U-Net: 3D segmentation of kidneys and tumors from CT images with a multi-scale supervised U-Net. Informatics in Medicine Unlocked, 19, 100357 (2020). https://doi.org/10.1016/j.imu.2020.100357Zhao W., Jiang D., Peña Queralta J., Westerlund T. MSS U-Net: 3D segmentation of kidneys and tumors from CT images with a multi-scale supervised U-Net. Informatics in Medicine Unlocked, 19, 100357 (2020). https://doi.org/10.1016/j.imu.2020.100357Heller N., Sathianathen N., Kalapara A. et al. The KiTS19 challenge data: 300 kidney tumor cases with clinical context, CT semantic segmentations, and surgical outcomes. arXiv:1904.00445v2 [eess.IV]. https://doi.org/10.48550/arXiv.1904.00445Heller N., Sathianathen N., Kalapara A et al. The KiTS19 challenge data: 300 kidney tumor cases with clinical context, CT semantic segmentations, and surgical outcomes. arXiv:1904.00445v2 [eess.IV]. https://doi.org/10.48550/arXiv.1904.00445

The authors declare that there are no conflicts of interest present.