На 20-й Международной конференции по медицинской компьютерной визуализации и компьютер-ассистированным медицинским вмешательствам (MICCAI 2017) коллектив ученых представил результаты проверки нового полностью автоматизированного метода, который объединяет биофизические модели роста опухоли с алгоритмами машинного обучения для анализа данных МРТ пациентов с глиомами. Все компоненты методики прошли тестирование на суперкомпьютерах в Texas Advanced Computing Center (TACC). Джордж Бирос, профессор машиностроения и лидер направления параллельных алгоритмов ICES для анализа и моделирования данных в Техасском университете в Остине, уже почти десять лет работает над созданием точных и эффективных вычислительных алгоритмов, которые смогут полностью охарактеризовать и идентифицировать любые глиомы. Его команда представила разработку в рамках ежегодного конкурса «Мультимодальная сегментация опухолей мозга» (BRaTS'17), где исследовательские группы со всего мира демонстрировали разные виды компьютерной классификации опухолей головного мозга с использованием дооперационных МР-сканирований. Бирос объясняет, что цель их работы – сделать четкое изображение и автоматически выявить на нем различные типы тканевых изменений – отеки, некроз или агрессивное по отношению к окружающим тканям новообразование. Для этой задачи они откалибровали (так называемый «тренинг») алгоритм на 300 наборах сканов мозга, а затем на томограммах 140 пациентов в течение двух дней определяли местоположение опухолей и сегментировали разные типы тканей. Ресурсы TACC позволили ученым использовать метод машинного обучения под названием «large-scale nearest neighbor classifiers», где по каждому вокселю или трехмерному пикселю в МР-изображении, на которые прошла «настройка», компьютер пытается найти все подобные воксели в мозге и решить, опухоль это или нет. В каждом скане содержалось примерно 1,5 млн вокселей, поэтому для калибровки и самой задачи требовались колоссальные аналитические мощности. В итоге исследователи смогли справиться с анализом 140 сканов всего за 4 часа и показать при этом 90-процентное попадание в цель, что сопоставимо по эффективности с работой профессионального радиолога со стажем. [caption id="attachment_1665" align="alignnone" width="738"] Верхняя строка показывает начальную конфигурацию. Вторая строка показывает ту же самую конфигурацию на последнем этапе регистрации опухоли. Три изображения внизу – соответствующая жесткая сегментация. Источник: George Biros et al.[/caption] Их метод полностью автоматизирован и, по словам авторов разработки, нуждается лишь в небольшом количестве исходных алгоритмических параметров для оценки данных изображения и классификации опухолей без каких-либо практических усилий. Методика будет воплощена в Университете Пенсильвании уже в конце этого года в партнерстве с Центром биомедицинской компьютерной визуализации и компьютерного анализа и отделом радиологии. Это не заменит радиологов и хирургов, но значительно улучшит воспроизводимость оценок и потенциально ускорит диагностику. Подготовила Анна Хоружая