Пространственная локализация костных сарком на рентгенограммах с использованием одноэтапной нейросетевой модели

Цель исследования ‒ исследование возможности применения одноэтапной нейросетевой модели YOLOv8l-seg для автоматической пространственной локализации костных сарком на рентгенограммах.

Методы. Для обучения нейросетевой модели был синтезирован набор данных на основе аннотированных оцифрованных рентгенограмм с подтвержденными костными саркомами и рентгенограмм без патологии. Изображения в наборе данных были предобработаны (стандартизация размера и контрастности) и разделены на обучающую (1003 изображения) и валидационную (204 изображения) выборки. Для решения задачи сегментации экземпляров костных сарком использовалась нейросетевая модель YOLOv8l-seg с предобученными весами на наборе данных COCO. Процесс дообучения был реализован с применением метода глубокого трансферного обучения. Для предотвращения переобучения нейросетевой модели был применен метод ранней остановки, отслеживающий значение валидационной функции потерь.

Результаты. Тестирование нейросетевой модели проводилось на независимой тестовой выборке, состоявшей из 148 оцифрованных рентгенограмм с подтвержденными костными саркомами и рентгенограмм без патологии, которые не были задействованы на этапах обучения и валидации. Проведенная оценка эффективности показала, что в 78,2% случаев модель не только правильно классифицирует опухоль, но и с приемлемой точностью очерчивает ее пространственные границы, а значение метрики AUC ROC, равное 0,951, подтверждает высокую дискриминативную способность модели в различении патологии от нормы. Данный результат, хотя и не является эталонным, подтверждает применимость предложенного подхода для решения задачи локализации и контурирования костных сарком на рентгенограммах.

Заключение. Исходя из результатов проведенного анализа, можно сделать вывод, что в отличие от моделей, предоставляющих лишь вероятностную оценку, основное преимущество предлагаемого решения заключается в сегментации экземпляров костных сарком, которая может быть непосредственно использована врачом-рентгенологом в качестве инструмента поддержки принятия решений

1. Алескерова Х. А., Романцова О. М., Хайруллова В. В. Дифференциальная диагностика телеангиэктатической остеосаркомы и аневризмальной костной кисты (обзор литературы) // Российский журнал детской гематологии и онкологии. 2024. Т. 11, № 2. С. 67-73. https://doi.org/10.21682/2311-1267-2024-11-2-67-73

2. Патофизиологические особенности клинической диагностики хондросарком / Н. В. Емельянова, А. В. Скворцова, Е. С. Милованова, О. Н. Ямщиков // International Journal of Medicine and Psychology. 2022. Т. 5, № 3. С. 124-132.

3. Mandat T. S., Metastatic High-Grade Intimal Sarcoma of the Middle Cranial Fossa // Journal on Oncology. 2022. Vol. 2, N 2. https://doi.org/10.52768/2692-563x/1053

4. Конторович Д. С., Пронькина Е. В., Нуднов Н. В. Внескелетная саркома Юинга малого таза (обзор литературы и клиническое наблюдение) // Медицинская визуализация. 2021. № 25(3). С. 150-156. https://doi.org/10.24835/1607-0763-924

5. Matcuk G., Waldman L., Fields B. K. Conventional radiography for the assessment of focal bone lesions of the appendicular skeleton: fundamental concepts in the modern imaging era // Skeletal Radiol. 2025. Vol 54. P. 1391–1406. https://doi.org/10.1007/s00256-024-04854-6

6. Современные возможности и трудности диагностики костных сарком у детей / А. А. Очкуренко, А. В. Петриченко, П. А. Романов [и др.] // Педиатрия. Журнал имени Г. Н. Сперанского. 2020. Т. 99, № 4. С. 56-62. https://doi.org/10.24110/0031-403X-2020-99-4-56-62

7. Булычева И. В., Федорова А. В. Основы алгоритма рентгеноморфологического исследования костных препаратов // Онкопатология. 2021. Т. 4, № 1(2). С. 18-31. https://doi.org/10.17650/2618-7019-2021-4-1-2-18-31

8. Анализ эффективности применения архитектуры U-net для классификации и сегментации глиомы на МРТ-снимках / А. В. Киселев, Е. А. Кулешова, М. О. Таныгин [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 3. С. 104-120. https://doi.org/10.21869/2223-1536-2024-14-3-104-120

9. Брежнев А. В., Томакова Р. А., Черных Е. В. Информационная система для прогнозирования рецидивов инфаркта миокарда, реализованная как мобильное приложение // Информационное общество. 2023. № 1. С. 116-126. https://doi.org/10.52605/16059921_2023_01_116

10. Томакова Р. А., Дзюбин И. А., Брежнев А. В. Метод и алгоритм обучения сверточной нейронной сети, предназначенной для интеллектуальной системы распознавания меланомы // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 1. С. 65-83. https://doi.org/10.21869/2223-1536-2022-12-1-65-83

11. Метод анализа оцифрованных рентгеновских снимков грудной клетки для дифференциальной диагностики инфекционных заболеваний дыхательной системы / И. О. Мишин, М. О. Таныгин, А. В. Киселев [и др.] // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2024. № 4. С. 143-155. https://doi.org/10.17308/sait/1995-5499/2024/4/143-155

12. Femur Tumor Net: Bone tumor classification in the proximal femur using DenseNet model based on radiographs / C. Pan, L. Lian, J. Chen, R. Huang // Journal of Bone Oncology. 2023. Vol. 42. P. 7639. https://doi.org/10.1016/j.jbo.2023.100504

13. Application of the convolutional neural networks and supervised deep-learning methods for osteosarcoma bone cancer detection / S. Gawade, A. Bhansali, K. Patil, D. Shaikh // Healthcare Analytics. 2023. Vol. 3 (6). P. 100153. https://doi.org/10.1016/j.health.2023.100153

14. Deep learning-based classification of primary bone tumors on radiographs / Y. He, I. Pan, B. Bao, K. Halsey, M. Chang [et al.] // EBioMedicine: A preliminary study. 2020. Vol. 62. P. 103121. https://doi.org/10.1016/j.ebiom.2020.103121

15. A Radiograph Dataset for the Classification, Localization, and Segmentation of Primary Bone Tumors / S. Yao, Y. Huang, X. Wang, Y. Zhang, I. C. Paixao, Z. Wang [et al.] // Scientific Data. 2024. N 12(1). P. 88. https://doi.org/10.1038/s41597-024-04311-y

16. Основные подходы к подготовке визуальных данных для обучения нейросетевых алгоритмов / А. Г. Лапушкин, Д. А. Гаврилов, Н. Н. Щелкунов, Р. Н. Бакеев // Искусственный интеллект и принятие решений. 2021. № 4. С. 62-74. https://doi.org/10.14357/20718594210406

17. Iman M., Arabnia H. R., Rasheed K. A review of deep transfer learning and recent advancements // Technologies. 2023. Vol. 11(2). P. 1-14. https://doi.org/10.3390/technologies11020040

18. Методы нейросетевой детекции сельскохозяйственных животных в плотных динамических группах на изображениях / А. А. Жигалов, О. А. Иващук, Т. К. Бирюкова, В. И. Федоров // Искусственный интеллект и принятие решений. 2023. № 1. С. 55-66. https://doi.org/10.14357/20718594230106

19. Киселев А. В., Брусенцев Н. С., Кулешова Е. А. Анализ эффективности применения двухэтапных нейросетевых моделей для раннего обнаружения лесных пожаров // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 1. С. 8-23. https://doi.org/10.21869/2223-1536-2024-14-1-8-23

20. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А. В. Киселев, О. В. Шаталова, З. У. Протасова [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 114-133.