11.12.2025
Интеллектуальная диагностика межпозвонковых грыж поясничного отдела с телемедицинским доступом
В качестве инструмента поддержки принятия решений о прогнозировании вероятности резорбции грыжи для составления плана лечения либо подтверждения необходимости проведения операции на основе распознавания МРТ-снимков реализована искусственная нейронная сеть
Введение
Межпозвонковая грыжа (грыжа межпозвонкового диска) проявляется выпячиванием ядра межпозвонкового диска в позвоночный канал в результате нарушения целостности фиброзного кольца. Наиболее частым проявлением такого нарушения является поясничная грыжа. При этом грыжа диска является серьезным осложнением остеохондроза межпозвонковых дисков и нередко бывает причиной поясничных болей, а крупные грыжи могут сдавливать расположенные вблизи артериальные и венозные сосуды и способствовать развитию корешкового синдрома [1].
Из проведенных исследований в работе [2] выявлено, что в течение года однократный эпизод поясничных болей переносят от 50 до 80% взрослого населения планеты, и в последующем на протяжении последующих 12 месяцев у 2/3 пациентов возникают рецидивированные боли, а у 15% боль носит выраженный интенсивный характер. Также в работе [3] определили, что с пояснично-крестцовой болью в лечебно-профилактические учреждения первичного звена здравоохранения обращаются пациенты молодого и более старшего возраста. Распространённость данного вида заболевания в течение жизни составляет 70-90% в промышленно развитых странах. При этом за год могут заболеть, по данным исследований разных авторов, от 15 до 45% населения. Пик заболеваемости приходится на людей в возрасте от 35 до 55 лет.
В настоящее время при грыже межпозвонкового диска проводят как консервативное, так и хирургическое лечение [4]. Принятие решения относительно выбора тактики лечения производится на основе анализа маркеров вероятной спонтанной регрессии грыжи, которая может быть как частичной, так и полной. Явление частичного уменьшения размеров или полного исчезновения грыжи межпозвонкового диска без хирургического вмешательства называется резорбцией межпозвонковой грыжи. В случае своевременного выявления резорбции грыжи пояснично-крестцового отдела позвоночника возможно лечение без операбельных способов (профилактическими мерами) [5] или минимально-инвазивными вариантами операций [6].
Для автоматизированной поддержки принятия решений по выбору тактики лечения грыж межпозвонковых дисков было разработано программное обеспечение с модулем искусственного интеллекта и телемедицинским доступом средствами Телеграмм-бота. В качестве исходных данных используются МРТ-снимки пояснично-крестцового отдела позвоночника.
В качестве инструмента поддержки принятия решений о прогнозировании вероятности резорбции грыжи для составления плана лечения либо подтверждения необходимости проведения операции на основе распознавания МРТ-снимков реализована искусственная нейронная сеть.
Для обучения нейронной сети использованы предварительно размеченные МРТ-снимки с межпозвонковыми грыжами с резорбцией и без нее у пациентов различного возраста с учетом морфометрических параметров: размеры мышц, жировой ткани, наличие здоровой желтой связки. Далее в статье описано предлагаемое решение.
Методы исследования
Прогнозирование резорбции грыж основано на автоматизированном распознавании на МРТ- снимках пояснично-крестцового отдела позвоночника межпозвоночных дисков, мышц, грыж, выявления и прогнозирования с высокой долей вероятности резорбции грыжи нейросетевыми методами.
Расположение грыж в области позвоночника не отличаются в зависимости от пола и часто поражают сегменты L4—5, L5-S1, L3-L4 (поясничнокрестцовый отдел позвоночника, грыжи поясничных межпозвонковых дисков). При сравнительной характеристике размеров позвоночных грыж выявлено, что у мужчин в сегментах L5-S1, L4—5, L3—4, а у женщин в L3—4, Th12-L1, Th11 —12, L4—5 часто встречаются большие размеры грыж [7]. Пример резорбции грыж приведен на рис. 1.
Для определения вероятности резорбции грыж на основе анализа МРТ-снимков с использованием алгоритмов нейросетевого компьютерного зрения необходимо получить следующую информацию:
процентное соотношение мышц/позвонков;
углы между позвонками (величина изгиба позвоночного столба);
наличие краевых остофитов;
расположение грыжи;
характеристики концевой пластины;
плотность заливки для определения состояния позвонка;
наличие отростков на дисках и др. параметров.
Для идентификации этих параметров была использована искусственная нейронная сеть на основе модели U-Net, предназначенной для решения задач сегментации, которая позволяет точно выделять объекты на изображениях. В результате экспериментов было установлено, что наивысшие показатели производительности демонстрирует модель, состоящая из четырех слоев максимального объединения (max pooling) и четырех слоев обратной свертки (up-conv).
Для оценки качества работы модели в качестве функции потерь была выбрана бинарная кроссэнтропия, что обусловлено ее распространенностью и эффективностью в задачах бинарной классификации. Данная функция потерь позволяет точно измерять расхождение между предсказанными вероятностями и истинными метками классов, что критически важно для достижения высокой точности модели.
В качестве оптимизатора был использован классический алгоритм Adam, который зарекомендовал себя как один из наиболее эффективных методов для обучения глубоких нейронных сетей. Adam сочетает в себе преимущества адаптивного градиентного спуска и метода моментов, что позволяет ему эффективно справляться с задачами, связанными с большими объемами данных и сложными функциями потерь.
Результаты
анализ DICOM-кейсов и разметка МРТ- снимков пояснично-крестцового отдела пациентов с грыжами с резорбцией и без неё;
обучение нейронной сети самостоятельной разметке снимков и обозначения позвонков, грыж, мышц, межпозвонковых дисков;
выявление основных характеристик грыж и оценка возможности программного продукта обнаружения грыж, валидация модели по опросникам;
разработка программного модуля, способного прогнозировать вероятность резорбции грыж по ряду параметров, а также опираясь на сравнение грыж, подвергшихся резорбции и без нее;
проверка работоспособности программного модуля (плагина) на значительном количестве (не менее 30) МРТ-снимков пояснично-крестцового отдела пациентов у профильных пациентов.
В результате экспертной разметки данных для обучения нейросети были подготовлены и размечены МРТ-снимки в сагиттальной плоскости, на которых были выделены разными цветами позвонки, межпозвоночные диски, грыжи с резорбцией, а также мышцы. Пример разметки приведен на рис. 2.
По имеющимся DICOM-кейсам снимков МРТ пояснично-крестцового отдела позвоночника в сагиттальной и аксиальной обычной проекции сформирована обучающая выборка в следующем объеме:
с резорбцией размеченные - 73 шт.;
с резорбцией неразмеченные - 360 шт.;
без резорбции размеченные - 0 шт.;
без резорбции неразмеченные - 881шт.
Для увеличения объема обучающей выборки данных применили метод аугментации данных [8-10], который заключается в модификации имеющихся данных и создании на их основе дополнительных данных. В работе применено несколько способов аугментации, чтобы улучшить обобщающую способность модели и повысить её устойчивость к изменениям в изображениях.
Первый способ заключается в ротации изображений на случайный угол от 5 до 15 градусов, что позволило создать разные ориентации снимков, что особенно важно для обучения модели, способной распознавать анатомические структуры независимо от их положения в пространстве. Второй способ заключается в смещении изображений на 15-20 пикселей в любом направлении. Это внесло в снимки элемент вариативности в обучение, позволяя модели лучше справляться с незначительными сдвигами в положении объектов на снимке, что часто происходит в клинической практике.
В третьем способе применено изменение яркости изображений, что позволило имитировать разнообразные условия освещения, с которыми может столкнуться модель в реальных сценариях. Этот подход способствует улучшению точности распознавания в условиях, когда яркость снимков может варьироваться. В четвертом способе для повышения устойчивости модели к шуму и артефактам использовали размытие изображений. Этот метод позволил смоделировать возможные искажения, которые могут возникнуть в процессе получения МРТ- снимков, что, в свою очередь, помогло сделать модель более адаптивной к реальным условиям.
После применения всех этапов аугментации к исходным размеченным снимкам было получено 2336 изображений для обучения моделей машинного обучения.
В процессе предобработки данных работа производится с тремя основными видами информации: аннотациями, масками и исходными МРТ-срезами. На каждого пациента создается одна аннотация, представленная в формате.пг^, где каждому объекту соответствует уникальный ключ и имя класса. Каждая маска размещена в отдельной папке, и каждый размеченный класс имеет свое название. При обработке снимка сопоставляются ключи аннотаций с соответствующими масками, что позволяет точно определять и визуализировать анатомические структуры на изображениях.
Специальный класс был создан для управления данными: он хранит информацию о пациентах, пути к файлам и индексы изображений. Это обеспечивает удобный доступ к данным и упрощает работу с ними. С помощью данного класса можно сразу получить доступ как ко всей маске, так и к отдельно размеченному элементу. Дополнительно это упрощает обучение и позволяет проводить его по каждому конкретному размеченному классу.
Кроме того, в этом классе реализованы методы для визуализации аннотаций и масок, что позволяет наглядно оценивать качество разметки. Также предусмотрена возможность применения любых пользовательских трансформаций к объектам внутри класса, включая маски и исходные срезы. Это позволяет лучше исследовать данные и применять любые аугментации для расширения датасета, что делает процесс предобработки более гибким и эффективным так, как аугментация применится не только к отдельной маске или срезу, а сразу ко всем элементам.
Реализация телемедицинского доступа средствами Телеграмм-бота
Для обеспечения телемедицинского дистанционного доступа пациентов к системе поддержки принятия решений был разработан Телеграмм-бот, основной функцией которого является выявление резорбции грыж с определенной вероятностью. Для запуска работы Телеграмм-бота необходимо отправить файл МРТ в одном из трех форматов: DICOM-файлы, обычные изображения и ZIP-архивы. ZIP-архивы могут содержать как DICOM-файлы, так и изображения. Поддерживаемые форматы изображений включают:.|рд,.|ред,.рпд,.Ьтр и.Ш.
После отправки файла пользователю поступает уведомление о том, что файл принят. Далее система определяет формат файла, обрабатывает его и передает для дальнейшей работы. Если был передан DICOM-файл, система проверяет наличие сагиттального среза на необходимой глубине. В случае его отсутствия пользователю приходит уведомление о том, что файл не подходит для исследования. Если передан ZIP-архив, система просматривает внутренние папки и извлекает подходящие срезы из DICOM-файлов или передает изображения внутри архива.
На следующем этапе система подготавливает изображения для нейронной сети, обеспечивая необходимую ориентацию и формат. Затем изображения передаются соответствующей нейронной сети для выделения ключевых анатомических структур, таких как грыжи, межпозвоночные диски, спинные мышцы и позвонки. Полученные данные отправляются обратно пользователю. Также бот сообщает, что он принял файл и отправляет изображения, на которых продемонстрированы обнаруженные классы с отправленного изначально снимки
Пример работы Телеграмм-бота представлен на рис. 3 для случая загрузки пользователем DICOM- файла. В ответ на данный файл бот прислал изображения с найденными классами для данного снимка.
Заключение
Разработанное программное обеспечение позволяет распознавать параметры состояния поясничного отдела по данным МРТ с помощью интеллектуальных технологий компьютерного зрения. Данный результат полезен для автоматизации поддержки принятия решений по прогнозированию резорбции грыж и выбору тактики лечения. Важным результатом разработки для практики является реализация телемедицинского доступа к программному обеспечению средствами Телеграмм бота.
Предложенное программное обеспечение позволит помочь врачам с разметкой МРТ-снимков пояснично-крестцового отдела, в дальнейшем может быть использовано для разметки любых МРТ- снимков, поможет реализовать поддержку принятия врачебных решений по постановке диагноза «Грыжа поясничных межпозвонковых дисков» с указанием места ее расположения и ее вида и определить вероятность резорбции грыжи либо необходимость проведения хирургического лечения.
Список литературы:
1. Zhulev N.M, Lobzin V.S, Badzgaradze Yu.D. Manual and reflex therapy in vertebroneurology. St. Petersburg, 1992.
2. Ziyabaeva L.M. Features of the course of intervertebral hernias // Pharmacy of Kazakhstan. 2015. No. 4 (167). - P. 48-50
3. Papageorgiou A.C, Croft P.R, Ferry S. et af Estimating the prevalence of low back pain in the general population. Evidence from the South Manchester Back Pain Survey // Spine (Phila Pa 1976). 1995. Vol. 20. -P. 1889-1894.
4. Tkachev A.M., Epifanov A.V, Akarachkova E.S. and others. Pathophysiological aspects of intervertebral disc herniation resorption. Consilium Medicum. 2019. No. 21 (2). P. 59-63. DOI: 10.26442/20751753.2019.2.180147
5. Sanginov A.D., Isakov I.D., Akhmet'yanov Sh.A., Peleganchuk A.V. Lumbar intervertebral disc herniation resorption: a non-systematic literature review // Spinal surgery. 2024. Vol. 21. No. 1. P. 55-62.
6. Gushcha A.O., Yusupova A.R. Minimally invasive surgery and modern view on the treatment of degenerative spine diseases // Zhurnal Voprosy Neirokhirurgii Imeni N.N. Burdenko. 2021. Vol. 85(1). P. 5-9. DOI: 10.17116/ neiro2021850115
7. Dauletova M.D., Ziyabaeva L.M. Frequency of occurrence of intervertebral hernias // Theory and practice of modern science. 2018. No. 1(31). - P. 716-718.
8. Sirota A.A., Akimov A.V., Otyrba R.R. Deforming transformations of images and their application in data augmentation for training deep neural networks // Computer Science and Automation. 2024. Vol. 23. No. 2. -P. 407 435.
9. Kiseleva T.V, Khudoverdova S.A., Podersky V.V., Smychko M.V. Using data augmentation to work with neural networks // Distance educational technologies: Proceedings of the VIII International scientific and practical conference, Yalta, September 19-21, 2023. - Simferopol: Arial Publishing House and Printing House Limited Liability Company, 2023. - P. 149-153.
10. Avsievich A.V, Avsievich V. V., Yarygin S. V. Reconstruction of 3D models of prohibited items using neural network algorithms from shadow images of X-ray television installations // Bulletin of Transport of the Volga Region. 2022. No. 6(96). - P. 51-57.
ИНФОРМАЦИЯ ОБ АВТОРАХ
Епифанов Антон Вячеславович — невролог, мануальный терапевт, спортивный врач. Клиника Доктора Епифанова, г. Самара, Россия.
Жейков Денис Сергеевич - руководитель практик Передовой медицинской инженерной школы, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия.
Иващенко Антон Владимирович - д-р техн. наук, профессор, директор Передовой медицинской инженерной школы, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия
Герасимов Григорий Павлович - врач-травматолог-ортопед, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия.
Авсиевич Владимир Викторович - канд. техн. наук, доцент Передовой медицинской инженерной школы, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия.
Пономарев Артем Евгеньевич - магистрант Передовой медицинской инженерной школы, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия.
Панарин Владимир Сергеевич - магистрант Передовой медицинской инженерной школы, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия.
Авсиевич Александр Викторович - канд. техн. наук, доцент, доцент кафедры медицинской физики, математики и информатики, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия.
Колсанов Александр Владимирович - д-р мед. наук, профессор, профессор РАН, ректор, ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Самара, Россия.
Теги: телемедицина
234567 Начало активности (дата): 11.12.2025
234567 Кем создан (ID): 989
234567 Ключевые слова: медицинская диагностика, телемедицина, поясничный отдел, межпозвонковые грыжи, резорбция грыж, искусственный интеллект, распознавание образов, искусственные нейронные сети
12354567899
Похожие статьи
Нервно-мышечный сколиозРентген на дому 8 495 22 555 6 8
Ревизионное эндопротезирование тазобедренного сустава - что нас ждет?
Трудный для лечения аксиальный спондилоартрит — данные реальной клинической практики
Телемедицина: как технологии помогают врачам и пациентам
