Современные подходы к сегментации и анализу структур головного мозга: проблемы и решения

В настоящее время искусственный интеллект является одной из наиболее быстро развивающихся областей человеческого знания. Данная тематика имеет большое значение для науки и практики, в целом, и для медицины, в частности. Применение технологий искусственного интеллекта к сегментации зон головного мозга и выявлению аномальных участков особенно востребовано и перспективно в области нейрофизиологии, нейрохирургии, психиатрии, клинической психологии и других медицинских дисциплин. В данной работе проведено исследование существующих методов автоматизированной сегментации и анализа данных о структуре и функциональном состоянии головного мозга, а также метрик, применяемых для оценки эффективности данного подхода.

Цель: выявление нерешённых проблем и поиск тенденций в разработке методов сегментации и выявления аномальных участков головного мозга, а также определение наиболее эффективных методов и способов их улучшения.

Материалы и методы. Работа выполнена с использованием методологии Systematic Mapping Study (SMS). Данное исследование ограничивается предметной областью, связанной с сегментацией зон головного мозга и определением в нём аномальных участков.

Результаты. Основные результаты исследования представлены в виде классификационных таблиц и ментальной карты. Показано, что целью рассмотренных исследований является повышение точности при сегментировании зон головного мозга и нахождении аномальных участков. Такая метрика, как время обработки данных, применяется для оценки эффективности метода при малом количестве исследований, а в большинстве случаев вообще не рассматривается. При этом скорость обработки изображений в зависимости от применяемого метода измеряется минутами, что существенно ограничивает возможность использования данного подхода в экстренных ситуациях, в том числе при угрозе жизни человека.

Заключение. Для анализа данных о структуре и функциональном состоянии головного мозга в режиме реального времени требуется модификация уже разработанных методов энцефальной сегментации, а также разработка новых, более эффективных подходов. При этом скорость обработки данных должна быть соизмерима со временем вынесения срочного заключения о состоянии головного мозга человека.

1. Васильева Е.Б., Талыпов А.Э., Петриков С.С. Особенности клинического течения черепно-мозговой травмы при различных видах повреждения головного мозга // НМП. – 2019. – №3. – С.295-301.

2. Сергеев В.А., Сергеева П.В., Патракова А.А. Клинико-психологический анализ эмоциональноличностных расстройств у больных с отдалёнными последствиями черепно-мозговых травм, осложнённых и неосложнённых алкоголизмом // Научные результаты биомедицинских исследований. – 2020. – №3. – С.417-433.

3. Лихтерман Л.Б., Кравчук А.Д., Филатова М.М. Сотрясение головного мозга: тактика лечения и исходы // Анналы клинической и экспериментальной неврологии – 2008. – №1. – C.1-10.

4. Трашков А.П., Спирин А.Л., Цыган Н.В., Артеменко М.Р. и др. Глиальные опухоли головного мозга: общие принципы диагностики и лечения // Педиатр. – 2015. – №4. – C.75-84.

5. Плахова В.В., Кручинина Е.А. Вопросы диагностики и лечения злокачественных новообразований // FORCIPE. – 2019. – №1. – C.564-564.

6. Щербук А.Ю., Ерошенко М.Е., Щербук Ю.А. Современные методы картирования функционально значимых зон головного мозга в хирургии опухолей центральных извилин // Вестн. хир. – 2017. – №4. – С.104-109.

7. Кремнева Е.И., Коновалов Р. Н., Кротенкова М. В. Функциональная магнитно-резонансная томография // Анналы клинической и экспериментальной неврологии. – 2011. – №5(1). – C.30-34.

8. Куликова С.Н., Брюхов В.В., Переседова А.В., Кротенкова М.В., Завалишин И.А. Диффузионная тензорная магнитно-резонансная томография и трактография при рассеянном склерозе: обзор литературы // Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. – 2012. – №112(2-2). – C.52-59.

9. Кротенкова М.В., Суслин А.С., Танашян М.М., Коновалов Р.Н., Брюхов В.В. Диффузионно-взвешенная МРТ и МРТ-перфузия в остром периоде ишемического инсульта // Анналы клинической и экспериментальной неврологии. – 2009. – №3(4). – C.11-16.

10. Шестакова А.Н., Буторина А.В., Осадчий А.Е., Штыров Ю.Ю. Магнитоэнцефалография – новейший метод функционального картирования мозга человека // Экспериментальная психология. – 2012. – №5(2). – С.119-134.

11. Гуляев С.А. Электроэнцефалография и исследования функциональной активности головного мозга // Русский журнал детской неврологии. – 2021. – №16(4). – C.59-68.

12. Дюкарев В.В. Позитронно-эмиссионная томография: сущность метода, достоинства и недостатки // БМИК. – 2013. – №3(11). – C.1196.

13. Санковец Д.Н., Гнедько Т.В., Свирская О.Я. Близкая к инфракрасной спектроскопия (NIRS) – новая краска в палитре неонатолога // Неонатология: Новости. Мнения. Обучение. – 2017. – №1(15). – C.58-71.

14. Давыдовский И.В. Врачебные ошибки // Сов. мед. – 1941. – №3. – C.3-10.

15. Султанов И.Я. О некоторых так называемых объективных причинах диагностических ошибок в практической деятельности врачей // Вестник РУДН. Серия: Медицина. – 2002. – №2. – C.34-38.

16. Сигаева Д.В., Логинов М.С. Влияние качества исходного набора данных для машинного обучения на точность диагноза // Scientist. – 2022. – №4(22). –C.130-132.

17. Махамбетчин М.М. К дискуссии о врачебных ошибках // Клиническая медицина. – 2021. – №2. – С.150-152.

18. Андропова П.Л., Гаврилов П.В., Колесникова П.А. и др. Диагностическая эффективность отдельных систем автоматического анализа КТ-изображений в выявлении ишемического инсульта в бассейне средней мозговой артерии // Сибирский журнал клинической и экспериментальной медицины. – 2023. – №3. – С.194-200.

19. Jin L, Min L, Jianxin W, et al. A Survey of MRI-Based Brain Tumor Segmentation Methods. 2014; 19(6): 578-595. doi: 10.1109/TST.2014.6961028.

20. Абдулракеб АРА, Сушкова ЛТ, Лозовская НА. Обзор методов сегментации опухолей на МРТ-изображениях головного мозга // Прикаспийский журнал: управление и высокие технологии. – 2015. – №1(29). – C.122-138.

21. Ahlam AH, Sarmad HM, Ban SI. Segmentation and Isolation of Brain Tumors Using Different Images Segmentation Methods. 2024; 21(8): 1-8. doi: 10.21123/bsj.2024.7640.

22. Kai P, Sairam V, Ludwik K. Guidelines for conducting systematic mapping studies in software engineering: An update, Information and Software Technology. 2015; 64: 1-18. doi: 10.1016/j.infsof.2015.03.007.

23. Vanhala E, Kasurinen J, Knutas A, Herala A. The Application Domains of Systematic Mapping Studies: A Mapping Study of the First Decade of Practice With the Method. 2022; 10: 37924-37937. doi: 10.1109/ACCESS.2022.3165079.

24. Алексеева М.Г., Зубов А.И., Новиков М.Ю. Искусственный интеллект в медицине // МНИЖ. – 2022. – №7-2(121). – C.10-13.

25. Иванова В.Н., Латкин А.П., Фершт В.М. Современные подходы к использованию искусственного интеллекта в медицине // Территория новых возможностей. – 2020. – №1. – C.121-130.

26. Гусев А. Обзор Российских систем искусственного интеллекта для здравоохранения Электронный ресурс Webiomed. Доступно по: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-iskusstvennogo-intellekta-dlia-zdravookhraneniia. Ссылка активна на 20.07.2024.

27. Bruce F, David HS, Evelina B, et al. Whole Brain Segmentation: Automated Labeling of Neuroanatomical Structures in the Human Brain. 2002; 33: 341-355. doi: 10.1016/S0896-6273(02)00569.

28. Chen B, Zhang L, Chen H, Liang K, Chen X. A novel extended Kalman filter with support vector machine-based method for the automatic diagnosis and segmentation of brain tumors. 2021; 200: 105797.

29. Kumar DM, Satyanarayana D, Prasad MG. MRI brain tumor detection using optimal possibilistic fuzzy C-means clustering algorithm and adaptive k-nearest neighbor classifier. Journal of Ambient Intelligence and Humanized Computing. 2021; 12(2): 2867-2880. doi: 10.1007/s12652-020-02444-7.

30. Srinivasa RA, Chenna RP. MRI brain tumor segmentation and prediction using modified region growing and adaptive SVM. 2021; 25: 4135-4148. doi: 10.1007/s00500-020-05493-4.

31. Sheela CJJ, Suganthi G. Accurate MRI brain tumor segmentation based on rotating triangular section with fuzzy C-means optimisation. Sādhanā. 2021; 46(4). doi: 10.1007/s12046-021-01744-8.

32. Gokulalakshmi A, Karthik S, Karthikeyan N, Kavitha MS. ICM-BTD: improved classification model for brain tumor diagnosis using discrete wavelet transform-based feature extraction and SVM classifier. 2020; 24: 18599-18609. doi: 10.1007/s00500-020-05096-z.

33. Sharath CP, Soundarya J, Priyadharsini R. Brain tumor detection and classification using K-means clustering and SVM classifier. 2018; 49-63. doi: 10.1007/978-981-13-8323-6_5.

34. Hussain A, Khunteta A. Semantic segmentation of brain tumor from MRI images and SVM classification using GLCM features. 2020; 38-43. doi: 10.1109/ICIRCA48905.2020.9183385.

35. Kumar DM, Satyanarayana D, Prasad MG. An improved Gabor wavelet transform and rough K-means clustering algorithm for MRI brain tumor image segmentation. 2021; 80(1): 6939-6957. doi: 10.1007/s11042-020-09635-6.

36. Shahajad M, Gambhir D, Gandhi R. Features extraction for classification of brain tumor MRI images using support vector machine. 2021; 767-772. doi: 10.1109/Confluence51648.2021.9377111.

37. Krishnakumar S, Manivannan K. Effective segmentation and classification of brain tumor using rough K means algorithm and multi-kernel SVM in MR images. 2021; 12: 6751-6760. doi: 10.1007/s12652-020-02300-8.

38. Mehrotra R, Ansari MA, Agrawal R. A Novel Scheme for Detection & Feature Extraction of Brain Tumor by Magnetic Resonance Modality Using DWT & SVM. 2020; 225-230. doi: 10.1109/IC3A48958.2020.233302.

39. Sarkar A, Maniruzzaman M, Ahsan MS, et al. Identification and classification of brain tumor from MRI with feature extraction by support vector machine. 2020; 1-4. doi: 10.1109/INCET49848.2020.9154157.

40. Anaya-Isaza A, Mera-Jiménez L. Data augmentation and transfer learning for brain tumor detection in magnetic resonance imaging. 2022; 10(4): 23217-23233. doi: 10.1109/ACCESS.2022.3154061.

41. Musallam AS, Sherif AS, Hussein MK. A new convolutional neural network architecture for automatic detection of brain tumors in magnetic resonance imaging images. 2022; 10(99): 2775-2782. doi: 10.1109/ACCESS.2022.3140289.

42. More SS, Mange MA, Sankhe MS, Sahu SS. Convolutional Neural Networkbased Brain Tumor Detection. 2021; 1532-1538. doi: 10.1063/5.0217286.

43. Le N, Yamazaki K, Quach KG, Truong D, Savvides M. A multi-task contextual atrous residual network for brain tumor detection & segmentation. In 2020 25th International Conference on Pattern Recognition. 2021: 5943-5950. doi: 10.1109/ICPR48806.2021.9412414.

44. Ma L, Zhang F. End-to-end predictive intelligence diagnosis in brain tumor using lightweight neural network. 2021; 111: 107666. doi: 10.1016/j.asoc.2021.107666.

45. Kesav N, Jibukumar MG. Efficient and low complex architecture for detection and classification of Brain Tumor using RCNN with Two Channel CNN. 2022; 34(8): 6229-6242. doi: 10.1016/j.jksuci.2021.05.008.

46. Ottom MA, Rahman HA, Dinov ID. Znet: deep learning approach for 2D MRI brain tumor segmentation. 2022; 10: 1-8. doi: 10.1109/JTEHM.2022.3176737.

47. Qader SM, Hassan BA, Rashid TA. An improved deep convolutional neural network by using hybrid optimisation algorithms to detect and classify brain tumor using augmented MRI images. – 2022; 1-28. doi: 10.21203/rs.3.rs-1746725/v1.

48. Sharif MI, Khan MA, Alhussein M, Aurangzeb K, Raza M. A decision support system for multimodal brain tumor classification using deep learning. Complex & Intelligent Systems. 2021; 8(1): 1-14. doi: 10.1007/s40747-021-00321-0.

49. Chanu MM, Thongam K. Computer-aided detection of brain tumor from magnetic resonance images using deep learning network. Journal of Ambient Intelligence and Humanized Computing. 2021; 12: 6911-6922. doi: 10.1007/s12652-020-02336-w.

50. Sethy PK, Behera SK. A data-constrained approach for brain tumor detection using fused deep features and SVM. 2021; 80(4): 28745-28760. doi: 10.1007/s11042-021-11098-2.

51. Preethi S, Aishwarya P. An efficient wavelet-based image fusion for brain tumor detection and segmentation over PET and MRI image. 2021; 80(1): 14789-14806. doi: 10.1007/s11042-021-10538-3.

52. Sharif MI, Li JP, Amin J, Sharif A. An improved framework for brain tumor analysis using MRI based on YOLOv2 and convolutional neural network. 2021; 7: 2023-2036. doi: 10.1007/s40747-021-00310-3.

53. Дмитриев Г.А., Кирсанова А.В., Альбахели В.А.А. Автоматическое выделение области острого ишемического инсульта на МРТ-изображениях // Прикаспийский журнал: управление и высокие технологии. – 2014. – №4(28). – С.166-174.

54. Магонов Е.П., Прахова Л.Н., Ильвес А.Г., Катаева Г.В., Трофимова Т.Н. Автоматическая сегментация МРТ-изображений головного мозга: методы и программное обеспечение. – Санкт-Петербург: Коллектив авторов, 2014. – C.1-5.

55. Анджали Х.Т., Анандрао Б.К. Сегментация опухоли головного мозга на магнитно-резонансной томографии с использованием нечеткого деформируемого слияния и алгоритма Dolphin-SCA // Научно-технический вестник информационных технологий, механики и оптики. – 2023. – Т.23. – №4. – C.1-10.

56. Зубов А.Ю., Сенюкова О.В. Сегментация изображений магнитно-резонансной томографии головного мозга с помощью сопоставления с несколькими атласами. М.: МГУ имени М.В. Ломоносова, 2015. – C.1-6.

57. Зотин А.Г., Кириллова С.В., Курако М.А., Хамад Ю.А., Симонов К.В. Обнаружение опухоли мозга на основе МРТ с применением метода нечеткой кластеризации с-средних. Сибирский государственный университет науки и технологии им. академика М.Ф. Решетнева. – 2019. – C.1-11.

58. Технологии искусственного интеллекта в здравоохранении Электронный ресурс МОСМЕД. Доступно по: https://mosmed.ai. Ссылка активна на 07.08.2024.

59. Hongwei BL, Gian MC, Syed MA, et al. The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn). PapersWithCode. 2023; 1-6.

60. Lalande A, Chen Z, Decourselle T, et al. Emidec: A Database Usable for the Automatic Evaluation of Myocardial Infarction from Delayed-Enhancement Cardiac MRI. 2020; 5-89.

61. Kenneth C, Bruce V, Kirk S, et al. The Cancer Imaging Archive: Maintainingand Operating a Public Information Repository. 2013; 26(6). doi: 1045-1057.10.1007/s10278-013-9622-7.

62. Eduarda PM, Roberta C, Celine SG, Monica LM. Updating TCGA glioma classification through integration of molecular profiling data following the 2016 and 2021 WHO guidelines. 2023; 11. doi: 10.1101/2023.02.19.529134.

63. Kennedy KM, Raz N. Social Cognitive Neuroscience, Cognitive Neuroscience, Clinical Brain Mapping. 2015; 58(1): 259-289. doi: 10.1146/annurev.psych.58.110405.085654.

64. Румянцев П.О., Саенко В.А., Румянцева У.В., Чекин С.Ю. Статистические методы анализа в клинической практике. Медицинский радиологический научный центр РАМН. – С. 1-44.

65. Андропова П.Л., Гаврилов П.В., Савинцева Ж.И., Вовк А.В., Рыбин Е.В. Применение систем искусственного интеллекта в нейрорадиологии острого ишемического инсульта // Лучевая диагностика и терапия. – 2021. – №2(12). – С.30-35.

66. Толмачев И.В., Стариков Ю.В., Старикова Е.Г. и др. Искусственный интеллект в онкологии: области применения, перспективы и ограничения // Вопросы онкологии – 2022. – №6(68). – C.691-699.

67. Сидякина И.В., Шаповаленко Т.В., Лядов К.В. Механизмы нейропластичности и реабилитация в острейшем периоде инсульта // Анналы клинической и экспериментальной неврологии. – 2013. – №7(1). – С.52-56.