В ЛЭТИ разработали ИИ для классификации опухоли мозга по МРТ с точностью 99,4%

В ЛЭТИ создали ИИ, который может находить и классифицировать опухоли мозга по МРТ с наибольшей точностью. Безошибочность метода составляет 99.35%, что выделяет его среди аналогов, работающих в диапазоне от 93.1 до 98.5%. Об этом "Газете.Ru" рассказали в ЛЭТИ.

Для определения типа, степени злокачественности и локализации опухоли мозга важно ее классифицировать.

Это позволяет выбрать наиболее эффективную стратегию лечения, спрогнозировать исход и подобрать оптимальную реабилитацию. Для классификации ученые использовали классический метод ИИ кластеризации. Так, алгоритм проанализировал около 1000 МРТ-снимков головного мозга здоровых и больных пациентов, обучая модели различать их по расположению ключевых точек.

Для диагностики заболеваний активно применяются нейронные сети, которые анализируют медицинские изображения, такие как МРТ-снимки. Однако для их обучения необходимы МРТ-снимки головного мозга как здоровых, так и больных пациентов. Использование таких данных требует письменного согласия каждого пациента, что создает сложности для машинного обучения. Поэтому исследователи ищут решения, способные преодолеть этот барьер.

"Для решения этой проблемы мы применили классические алгоритмы, скомбинировав три метода, которые способны выделять ключевые точки на МРТ-снимках головного мозга, такие как извилины, утолщения и др., а также оставлять из них те, которые могут указывать на аномалии, например, патологические образования или изменения в структуре тканей. На основе этих данных подход классифицирует опухоли головного мозга, что позволило получить лучшие результаты по сравнению с нейросетевыми алгоритмами для подобных задач", – рассказал доцент кафедры математического обеспечения и применения электронных вычислительных машин (МО ЭВМ) СПбГЭТУ "ЛЭТИ" Антон Филатов.

Сначала с помощью алгоритма гистограммы градиентов исследователи на МРТ-снимках вели поиск ключевых точек, выделяющих извилины, утолщения и т.д. Градиенты помогли выявлять изменения в цвете между соседними пикселями, что позволило обнаруживать области с резкими перепадами цвета, сигнализирующих о возможных аномалиях – патологических новообразованиях и изменениях в структуре тканей.

В результате получился набор многомерных векторов, из которых отобрали самые важные для диагностики. В итоге из десятков тысяч точек оставались всего несколько сотен, которые можно было считать показательными для дальнейшего анализа.