Специалисты ИТМО и НМИЦ имени Алмазова представили инновационное решение для выявления фиброза сердца с использованием технологий глубокого обучения. Новый алгоритм автоматически делит МРТ-изображение на 17 сегментов, точно определяя локализацию и объем рубцовой ткани. Это сократит время обработки данных с нескольких часов до минут, оптимизируя выбор терапии при инфарктах и других кардиопатологиях. Проект реализован при поддержке гранта РНФ.
Глобальный вызов сердечно-сосудистых заболеваний
Борьба с болезнями сердца требует оперативной диагностики, включая обнаружение фиброза — ключевого маркера постинфарктных изменений. Магнитно-резонансная томография остается золотым стандартом, но ручной анализ снимков занимает до двух часов на пациента. Традиционные методы предполагают построение 17-сегментных диаграмм с оценкой процента фиброзной ткани, что создает нагрузку на рентгенологов.
Автоматизация как шаг к эффективности
Разработанная полуавтоматическая модель на базе нейросети U-Net устраняет необходимость сложных ручных манипуляций. Алгоритм поэтапно идентифицирует миокард, обнаруживает фиброз и генерирует диаграммы с оценкой объема рубцовых изменений. «Наш подход минимизирует участие пользователя — достаточно отметить несколько точек. Уже ведется работа над полностью автономной версией», — отмечает Валид Аль-Хайдри из ИТМО.
Точность на уровне экспертов
Тестирование на 250 пациентах, включая данные Дижонского университета, подтвердило эффективность метода. Совпадение с заключениями специалистов достигло 86% и 77%, что соответствует среднему межэкспертному согласию (80%). Для анализа достаточно одного снимка, тогда как врачам часто требуется несколько проекций.
Перспективы для персонализированной медицины
Автоматизированная оценка фиброза открывает новые возможности прогнозирования осложнений и динамического наблюдения. «Мы создаем инструмент, который раскрывает взаимосвязи между локализацией рубцов и функцией сердца», — подчеркивает руководитель проекта Екатерина Бруй. В будущем алгоритм адаптируют для компьютерной томографии, расширяя сферу применения.
Научный фундамент инноваций
Обучение модели проводилось на аннотированных экспертами изображениях и клинических данных. Каскадный подход с сочетанием глубокого обучения и алгоритмической обработки обеспечил высокую скорость работы — минуты вместо часов. Это значительно ускорит внедрение технологии в клиническую практику.
Источник: scientificrussia.ru
