Применение нейросетей в дифференциации опухолей и воспалительных очагов в головном мозге по данным МРТ

1. Введение

Диагностика заболеваний головного мозга, особенно на ранних стадиях, является важнейшей задачей современной медицины. К числу наиболее сложных диагностических сценариев относится дифференциация опухолевых и воспалительных очагов по данным магнитно-резонансной томографии (МРТ). Сходство клинической картины и визуальных признаков, а также субъективность трактовки изображений делают эту задачу особенно чувствительной к квалификации врача и качеству визуального материала. При этом традиционные подходы, в том числе инвазивная гистологическая верификация, сопряжены с рисками, временными затратами и высокой стоимостью, что делает их неприменимыми в ряде клинических ситуаций. Это стимулирует активное развитие неинвазивных методов компьютерной диагностики, в частности – с использованием методов искусственного интеллекта (ИИ).

Наиболее значимых успехов в этой области достигли искусственные нейронные сети (ИНС), в первую очередь – свёрточные нейронные сети (CNN), которые способны автоматически извлекать и обрабатывать признаки изображений, опираясь на большое количество обучающих примеров. Архитектуры, такие как VGG, ResNet, U-Net, EfficientNet, находят широкое применение в медицинской визуализации благодаря высокой чувствительности к мелким морфологическим изменениям. Их преимущества включают автоматическую сегментацию структур, обнаружение патологических изменений и классификацию очагов по типу (опухоль/воспаление). Особенно хорошо CNN проявляют себя в задачах анализа изображений мозга, где важны точность, скорость и повторяемость результатов.

Наряду с классическими CNN-моделями активно развиваются гибридные архитектуры, объединяющие нейросетевые подходы с методами нечеткой логики. Так, в исследовании Зайченко и соавт. (2020) представлена модель CNN-ANFIS, в которой используется комбинация предварительно обученных сверточных сетей (VGG-16 и ResNetV2_50) для извлечения признаков, а нейронечеткая система ANFIS – для интерпретируемой классификации очагов как доброкачественных или злокачественных. Такая архитектура сочетает в себе адаптивность, устойчивость к шумам и объяснимость решений, что особенно важно в медицинском контексте.

Существенный вклад в развитие автоматизированного анализа МРТ вносит предварительное обучение (transfer learning), позволяющее эффективно использовать уже обученные модели и адаптировать их под специфические медицинские задачи при наличии ограниченного объема размеченных данных. Также важную роль играет аугментация и синтетическое расширение датасетов с помощью генеративных моделей, таких как GAN, что критически важно для нейроонкологии, где реальные данные ограничены.

Новые подходы, основанные на трансформерах (Vision Transformer, Swin Transformer), демонстрируют перспективные результаты в анализе трёхмерных структур мозга, где важен контекстуальный анализ. Благодаря способности учитывать пространственные взаимосвязи, эти модели хорошо подходят для диагностики сложных патологий, включая опухоли и воспалительные процессы.

Практические реализации ИИ уже находят своё место в медицинской практике. Примером служат цифровые диагностические платформы, такие как Медицинский цифровой диагностический центр (MDDC) от СберМедИИ, которые успешно интегрируют нейросетевые алгоритмы в рабочий процесс врача. Такие системы могут проводить предварительную оценку МРТ, определять масштаб поражения, ориентироваться на шкалы (например, ASPECTS при инсульте), и предоставлять врачу стандартизированное заключение.

Однако, несмотря на очевидные достижения, нейросетевые методы в диагностике МРТ сталкиваются с рядом вызовов. Прежде всего – это проблема объяснимости решений (explainable AI), необходимость ручной верификации, дефицит качественно размеченных МРТ-данных, сложности межучрежденческого обмена медицинской информацией, а также этические и правовые аспекты работы с персональными медицинскими данными. Поэтому особое внимание в современных исследованиях уделяется разработке интерфейсов с визуальными объяснениями, расширению клинической апробации ИИ-систем, а также созданию крупных национальных и международных баз медицинских изображений.

Таким образом, применение нейросетей в задаче дифференциации опухолевых и воспалительных очагов по данным МРТ открывает новые горизонты для нейровизуализации. Современные архитектуры нейросетей, поддержанные методами глубокого обучения, трансферного обучения и гибридных подходов, позволяют существенно повысить точность и скорость диагностики, обеспечить стандартизацию результатов и снизить нагрузку на врачей. Это особенно важно в условиях ограниченного времени и кадрового ресурса. Продолжение исследований в этом направлении, в том числе с акцентом на интерпретируемость и клиническую валидацию, представляет собой важнейший вектор развития цифровой медицины.

2. Обзор литературы

2.1. Зайченко и соавт. 2020. Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных сверточных нейронечетких сетей.

Аннотация. Рассмотрена проблема классификации опухолей головного мозга по медицинским МРТ-изображениям. Для ее решения разработаны гибридные нечеткие сверточные нейронные сети (CNN), в которых сверточные сети VGG-16 и ResNetV2_50 были использованы для извлечения признаков изображения, а нечеткая нейронная сеть ANFIS – в качестве классификатора. Разработаны алгоритмы обучения гибридных сетей. Проведены экспериментальные исследования предложенных гибридных сетей на стандартном датасете МРТ-изображений головного мозга и сравнения результатов с известными альтернативными структурами сверточных сетей.

Ключевые слова: медицинская диагностика, классификация опухолей головного мозга, нечеткая нейронная сеть ANFIS, сверточные нейронные сети, гибридная сеть.

2.2. Переломова, 2025. Автоматическое распознавание патологий на рентгеновских, КТ и МРТ снимках.

Аннотация: современные технологии искусственного интеллекта (ИИ) играют важную роль в медицинской диагностике, предоставляя новые возможности для автоматического распознавания патологий на рентгеновских снимках, компьютерной томографии (КТ) и магнитно-резонансной томографии (МРТ). В статье рассматриваются основные алгоритмы и методы машинного обучения, используемые для анализа медицинских изображений, включая свёрточные нейронные сети (CNN), трансформеры и гибридные модели. Особое внимание уделено преимуществам, вызовам и перспективам внедрения ИИ в клиническую практику, а также вопросам интерпретируемости и точности алгоритмов.

Ключевые слова: искусственный интеллект, диагностика, машинное обучение, рентген, КТ, МРТ, свёрточные нейронные сети, медицинские изображения.

2.3. Исследование Университетской клиники Хайдельберга, 2019.

2.4. Dong et al., 2017; Arya & Malviya. 2019.

2.5. СберМедИИ – MDDC.

2.6. Воспалительные поражения и опухоли головного мозга: можно ли их дифференцировать по особенностям текстуры при магнитно-резонансной томографии?

Фон: Стратегии нейровизуализации необходимы для обнаружения, выяснения этиологии и последующего наблюдения за пациентами с заболеваниями головного мозга. Магнитно-резонансная томография (МРТ) обеспечивает хорошее обнаружение контраста мягких тканей головного мозга и диагностическую чувствительность. Воспалительные поражения и опухоли являются распространенными заболеваниями головного мозга, которые могут представлять собой схожую картину поражения мозгового кольца на МРТ и не усиливающего ядра (которое может отражать кистозные компоненты или некроз), что приводит к ошибочному диагнозу. Анализ текстуры (ТА) и подходы машинного обучения – это инструменты компьютерной диагностики, которые могут быть использованы для помощи радиологам в принятии таких решений.

Методика: В этом исследовании мы объединили особенности текстуры с методами машинного обучения (ML) с целью дифференциации опухолей головного мозга от воспалительных поражений с помощью магнитно-резонансной томографии. Для ретроспективного обследования было отобрано 67 пациентов с характером поражения мозгового кольца, 30 с воспалительным и 37 с опухолевым поражением. Три различные последовательности МРТ и текстурные особенности были выделены с использованием матрицы совместного возникновения уровня серого и длины прогона уровня серого. Все диагнозы были подтверждены гистопатологией, лабораторным анализом или МРТ.

Результаты: Извлеченные признаки были обработаны для применения методов машинного обучения, которые выполняли классификацию. Наилучшей последовательностью для классификации оказались Т1-взвешенные изображения, в которых дифференциация между воспалительными и опухолевыми поражениями показала высокую точность (0,827), площадь под ROC-кривой (0,906), точность (0,837) и полноту (0,912).

Заключение: Алгоритм получил текстуры, способные дифференцировать опухоли головного мозга от воспалительных поражений, на T1-обработанных изображениях без контрастного вещества с помощью классификатора машинного обучения Random Forest.

Ключевые слова: обработка изображений; воспаление; магнитно-резонансная томография; медицинская визуализация; опухоль.

2.7. Современные достижения и проблемы в области радиомики опухолей головного мозга.

Визуализирующая диагностика имеет решающее значение для раннего выявления и мониторинга опухолей головного мозга. Радиомика позволяет извлекать большое количество количественных признаков из сложных массивов клинической визуализации, а затем преобразовывать их в многомерные данные, которые впоследствии могут быть проанализированы для определения их соответствия гистологическим особенностям опухоли, которые отражают основные генетические мутации и злокачественность, а также степень, прогрессирование, терапевтический эффект или даже общую выживаемость (ОВ). По сравнению с традиционной визуализацией мозга, радиомика предоставляет количественную информацию, связанную со значимыми биологическими характеристиками и применением глубокого обучения, что проливает свет на полную автоматизацию визуализационной диагностики. Недавние исследования показали, что радиомика широко применяется для идентификации первичной опухоли, дифференциальной диагностики, классификации, оценки статуса мутации и агрессии, прогнозирования ответа на лечение и рецидива при опухолях гипофиза, глиомах и метастазах в головной мозг. В этом описательном обзоре, помимо установления общего понимания протоколов, результатов и клинической значимости этих исследований, мы дополнительно обсуждаем текущие ограничения, а также будущее развитие радиомики.

2.8. Обнаружение опухолей головного мозга на основе МРТ с использованием методов сверточного глубокого обучения и выбранных методов машинного обучения.

Фон: Выявление опухолей головного мозга на ранних стадиях имеет решающее значение. Опухоли головного мозга классифицируются с помощью биопсии, которая может быть выполнена только с помощью окончательной операции на головном мозге. Методы, ориентированные на вычислительный интеллект, могут помочь врачам выявлять и классифицировать опухоли головного мозга. В данной работе мы предложили два метода глубокого обучения и несколько подходов машинного обучения для диагностики трех типов опухолей, т. е. глиомы, менингиомы и опухолей гипофиза, а также здорового мозга без опухолей, с использованием магнитно-резонансных изображений мозга, чтобы врачи могли с высокой точностью обнаруживать опухоли на ранних стадиях.

Материалы и методы: В этом исследовании был использован набор данных, содержащий 3264 изображения мозга с помощью магнитно-резонансной томографии (МРТ), включающие изображения глиомы, менингиомы, опухолей гипофиза и здорового мозга. Во-первых, алгоритмы предварительной обработки и аугментации были применены к изображениям мозга МРТ. Затем мы разработали новую 2D сверточную нейронную сеть (CNN) и сверточную сеть автоэнкодера, которые уже были обучены по назначенным нам гиперпараметрам. Затем 2D CNN включает в себя несколько слоев свертки; Все слои в этой иерархической сети имеют функцию ядра 2*2. Эта сеть состоит из восьми сверточных и четырех пуловых слоев, и после всех сверточных слоев были применены слои пакетной нормализации. Модифицированная сеть автокодировщика включает в себя сверточную сеть автоэнкодера и сверточную сеть для классификации, которая использует последний уровень выходного кодировщика первой части. Кроме того, в этом исследовании были сравнены шесть методов машинного обучения, которые были применены для классификации опухолей головного мозга.

Результаты: Точность обучения предложенной 2D СНС и предлагаемой сети автокодировщиков составила 96,47% и 95,63% соответственно. Средние значения полноты для сетей 2D CNN и автокодировщиков составили 95% и 94% соответственно. Площади под кривой ROC для обеих сетей составили 0,99 или 1. Среди применяемых методов машинного обучения Multilayer Perceptron (MLP) (28%) и K-Nearest Neighbors (KNN) (86%) достигли самых низких и самых высоких показателей точности соответственно. Статистические тесты показали значительную разницу между средними значениями двух методов, разработанных в данном исследовании, и нескольких методов машинного обучения (p-значение < 0,05).

Заключение: Настоящее исследование показывает, что предложенная 2D СНС обладает оптимальной точностью в классификации опухолей головного мозга. Сравнение производительности различных СНС и методов машинного обучения в диагностике трех типов опухолей головного мозга показало, что 2D СНС достигла образцовой производительности и оптимального времени выполнения без задержек. Эта предлагаемая сеть менее сложна, чем сеть автоэнкодеров, и может быть использована радиологами и врачами в клинических системах для обнаружения опухолей головного мозга.

Ключевые слова: опухоль головного мозга; сверточная нейронная сеть; обучение машины; медицинская визуализация.

2.9. Нейросеть поможет диагностировать опухоль мозга.

МРТ играет ключевую роль в диагностике опухолей мозга и великолепно справляется со своей задачей. Но многое зависит от специалиста, который читает снимки. Ученые предложили использовать в качестве помощника нейросеть, чтобы снять с врачей часть нагрузки и снизить влияние человеческого фактора на точность диагностики.

Нейросеть – это комплекс оборудования и алгоритмов, похожий по устройству и работе на человеческий мозг. Нейронные сети умеют обучаться и делать самостоятельные выводы из новой информации.

2.10. Опрос о глубоком обучении в анализе медицинских изображений.

Алгоритмы глубокого обучения, в частности сверточные сети, быстро стали предпочтительной методологией для анализа медицинских изображений. В этой статье рассматриваются основные концепции глубокого обучения, относящиеся к анализу медицинских изображений, и обобщаются более 300 вкладов в эту область, большинство из которых были опубликованы в прошлом году. Мы исследуем использование глубокого обучения для классификации изображений, обнаружения объектов, сегментации, регистрации и других задач. Предоставляются краткие обзоры исследований по областям применения: нейропатология, сетчатка, легочная, пальцевая патология, молочная железа, сердечная, брюшная полость, опорно-двигательный аппарат. Мы заканчиваем подведением итогов текущего состояния дел, критическим обсуждением открытых вызовов и направлений будущих исследований.

Ключевые слова: сверточные нейронные сети; глубокое обучение; медицинская визуализация; обзор.

3. Сравнительный анализ подходов

При сравнении различных архитектур нейросетей, применяемых для дифференциации опухолей и воспалительных очагов по данным МРТ головного мозга, можно выделить ряд важных различий как в точности, так и в интерпретируемости результатов. Классические сверточные нейронные сети (CNN) демонстрируют устойчивую точность при классификации изображений, особенно в задачах, где важны локальные признаки и текстурные особенности. Однако в условиях сложных клинических случаев, где морфологические различия между воспалением и опухолью минимальны, их эффективность может снижаться.

Гибридные модели, сочетающие CNN и адаптивные нейронные нечеткие системы вывода (ANFIS), показали более гибкий подход к анализу. Благодаря сочетанию мощного извлечения признаков (CNN) с возможностью работы с нечеткими логическими правилами (ANFIS), такие системы становятся особенно полезными при анализе неоднозначных участков, где врач может сомневаться в диагнозе. Однако за это приходится платить повышенной вычислительной сложностью и трудностью настройки.

Модели на основе трансформеров, несмотря на своё относительно недавнее появление в медицинской визуализации, уже продемонстрировали конкурентоспособность благодаря способности учитывать глобальный контекст изображения. Это особенно актуально при оценке пространственного распределения очагов и их взаимодействия с соседними структурами мозга. При этом трансформеры требуют больших объемов данных для обучения и значительных вычислительных ресурсов.

Генеративные состязательные сети (GAN), в первую очередь, оказались полезны не столько в классификации, сколько в улучшении качества изображений, генерации дополнительных обучающих данных и визуализации. Они позволяют «воссоздать» отсутствующую информацию, смоделировать редкие случаи и даже повысить резкость изображений. Однако в задаче именно дифференциации (а не генерации) их прямое применение ограничено и чаще используется в связке с другими архитектурами.

4. Обсуждение

Результаты, полученные при анализе различных моделей, подчеркивают, что не существует универсального решения, подходящего для всех клинических сценариев. В условиях ограниченного количества данных и необходимости высокой интерпретируемости, CNN и гибридные модели выглядят более предпочтительно. Они проще в реализации и понятнее с точки зрения клинициста. Однако по мере усложнения задач и роста доступных медицинских данных на первый план могут выйти более гибкие и мощные архитектуры – в первую очередь трансформеры.

Важным аспектом при выборе модели остаётся не только точность, но и её применимость в реальных условиях – насколько легко её внедрить в клинический рабочий процесс, насколько она прозрачна для врача, и как она справляется с неоднозначными случаями. Например, система, которая выдаёт уверенный диагноз без объяснения, вызывает закономерное недоверие у специалистов. С другой стороны, модель, способная объяснить логику своего вывода (пусть даже менее точная), может быть полезнее в практической диагностике.

Также стоит отметить, что роль GAN в такой задаче – скорее вспомогательная. Их потенциал раскрывается при дополнении основной классификационной модели, а не как самостоятельный диагностический инструмент.

5. Заключение

Современные нейросетевые архитектуры открывают новые возможности для точной и быстрой дифференциации опухолевых и воспалительных очагов головного мозга по данным МРТ. Каждая из рассмотренных моделей имеет свои сильные и слабые стороны: от простоты и надежности CNN до интеллектуальной гибкости гибридных систем и высокой выразительности трансформеров. GAN-модели, в свою очередь, демонстрируют потенциал в качестве инструмента дополнения и усиления существующих методов.

Будущее нейросетевых подходов в медицине, очевидно, связано с междисциплинарной интеграцией: тесное сотрудничество инженеров, врачей и исследователей позволит создавать не просто точные, но и клинически значимые решения. Именно такие системы смогут не только повысить точность диагностики, но и сделать её доступной, интерпретируемой и максимально приближенной к потребностям практического здравоохранения.