RU2023136361A - Система и способ определения патологий легких по рентгеновским изображениям - Google Patents

Claims (19)

1. Система определения патологий легких по рентгеновским изображениям, содержащая:

блок получения изображений, выполненный с возможностью получать двумерное рентгеновское изображение области легких;

блок диагностики патологий, выполненный с возможностью, с использованием по меньшей мере одного процессора и памяти, с помощью нейронной сети на основе сегментации выявлять на полученном изображении участки патологий легких;

блок сегментации анатомических структур, выполненный с возможностью, с использованием по меньшей мере одного процессора и памяти, определять с помощью нейронной сети на основе сегментации область сердца, область правого легкого и область левого легкого по их внешним контурам, а также область от диафрагмы и ниже нее;

блок локализации патологий, выполненный с возможностью, с использованием по меньшей мере одного процессора и памяти, определять локализацию выявленных участков патологии путем сопоставления выходных данных от блока диагностики патологий и выходных данных от блока сегментации анатомических структур, удалять предполагаемые участки патологий, выходящие за пределы области, которой они соответствуют; и

блок передачи отчета, выполненный с возможностью формировать отчет, содержащий сведения о наличии или отсутствии патологий легких на полученном изображении на основе выходных данных по меньшей от одного из блока диагностики патологий, блока сегментации анатомических структур и блока локализации патологий,

причем блок диагностики патологий дополнительно выполнен с возможностью выполнять постобработку масок сегментации, выводимых содержащейся в нем нейронной сетью, постобработка заключается в предварительной бинаризации маски каждого класса, выделении контуров, представлении каждого контура как отдельного объекта детекции, вычисления средней вероятности пикселей изначальной маски внутри каждого контура с последующем сравнением этой вероятности с порогом детекции, вычисленным на основании AUROC кривой по всей обучающей выборке.

2. Система по п. 1, в которой блок передачи отчета дополнительно выполнен с возможностью формировать копию входного изображения с нанесенными на него контурами, ограничивающими область патологии, а также указывать текстовую информацию о локализации патологии и числовые значения площади поражения легких.

3. Система по п. 1, в которой блок локализации патологий дополнительно выполнен с возможностью делать вывод о наличии или отсутствии диссеминированного поражения в зависимости от локализации патологии в одном или двух легких, количества очагов поражения и площади поражения каждого легкого.

4. Система по п. 1, в которой блок локализации патологий дополнительно выполнен с возможностью вычислять поперечный размер легких и сердца, вычислять на их основе кардиоторакальный индекс (КТИ) и обнулять определенную блоком диагностики патологий вероятность наличия кардиомегалии, если вычисленный КТИ меньше критического порога.

5. Система по п. 1, в которой каждая нейронная сеть предварительно обучена определять маску для каждого соответствующего ей класса, которая содержит вероятности принадлежности каждого пикселя к данному классу, причем при обучении используется фокусная функция потерь и веса пикселей, которые представляют собой веса для положительных пикселей истинной маски класса и отрицательных пикселей истинной маски класса, основанные на частоте пикселей, принадлежащих конкретному классу во всей выборке, причем фокусная функция потерь вычисляется для каждого пикселя маски после определения маски класса, и если соответствующий пиксель истинной маски класса является положительным, ошибка, полученная на этом пикселе маски класса, умножается на вес пикселя положительного примера данного класса, а если соответствующий пиксель истинной маски класса является отрицательным, ошибка, полученная на этом пикселе маски класса, умножается на вес пикселя отрицательного примера данного класса.

6. Система по п. 5, в которой после каждой эпохи обучения вычисляется отношение между метриками средней точности и средней полноты, и если оно выходит за пределы от 0,9 до 1,1, то веса пикселей для фокусной функции потерь корректируются следующим образом: вес пикселя для положительного пикселя умножается на результат деления метрики среднего F1 на среднюю полноту, для отрицательного пикселя - на результат деления метрики среднего F1 на среднюю точность.

7. Система по п. 1, в которой каждая нейронная сеть предварительно обучена определять маску для каждого соответствующего ей класса, которая содержит вероятности принадлежности каждого пикселя к данному классу, причем при обучении используется функция потерь на основе коэффициента Жаккара и веса классов положительной и отрицательной метки класса, которые определяются на основе обратной частоты положительных и отрицательных меток класса для всех изображений в выборке по каждому классу, причем если для заданного изображения в истинной маске заданного класса присутствуют положительные элементы, то всему экземпляру присваивается положительная метка класса, если отсутствуют - отрицательная метка класса, причем функция потерь на основе коэффициента Жаккара вычисляется для каждой маски класса после определения маски класса для каждого класса, и если соответствующая изображению истинная метка класса является положительной, то ошибка соответствующего класса умножается на вес класса положительного экземпляра класса, а если отрицательной - на вес класса отрицательного экземпляра класса, соответственно.

8. Способ определения патологий легких по рентгеновским изображениям, содержащий этапы, на которых:

с использованием блока получения изображений получают двумерное рентгеновское изображение, содержащее область легких;

с использованием блока диагностики патологий, содержащего нейронную сеть для сегментации, определяют на полученном изображении участки патологий легких, при этом выполняют постобработку масок сегментации, выводимых нейронной сетью, постобработка заключается в предварительной бинаризации маски каждого класса, выделении контуров, представлении каждого контура как отдельного объекта детекции, вычисления средней вероятности пикселей изначальной маски внутри каждого контура с последующем сравнением этой вероятности с порогом детекции, вычисленным на основании AUROC кривой по всей обучающей выборке;

с использованием блока сегментации анатомических структур, содержащего нейронную сеть для сегментации, определяют на полученном изображении область сердца, область правого легкого и область левого легкого по их внешним контурам, а также область от диафрагмы и ниже нее;

с использованием блока локализации патологий, определяют локализацию выявленных участков патологии на основе сопоставления выходных данных от блока диагностики патологий и выходных данных от блока сегментации анатомических структур и удаляют предполагаемые участки патологий, выходящие за пределы области, которой они соответствуют; и

с использованием блока передачи отчета формируют и передают отчет, содержащий сведения о наличии или отсутствии патологий легких на полученном изображении на основе выходных данных по меньшей от одного из блока диагностики патологий, блока сегментации анатомических структур и блока локализации патологий, на устройство, запрашивавшее диагностику.