Автоматизированная система определения морфометрических параметров верхнечелюстной пазухи

Формирование верхнечелюстной пазухи начинается у человека на 3-м месяце внутриутробного развития и завершается при вступлении в период постоянного прикуса, примерно в 18—20-летнем возрасте [1]. Усредненные морфометрические параметры пазухи взрослого человека: высота примерно 33 мм, ширина — 23—25 мм и переднезадний размер около 34 мм, объем в среднем 15 см³ [2].

Морфометрические параметры пазухи детерминированы, прежде всего, полом (у мужчин все размеры пазухи статистически значимо больше, чем у женщин) и формой черепа [3, 4]. Абсолютные значения этих параметров варьируют в зависимости от расовой или этнической принадлежности [5]. Кроме того, факторами, влияющими на объем верхнечелюстной пазухи, могут быть тип дыхания и стоматологический статус [6].

Определение морфометрических параметров верхнечелюстной пазухи у живого человека помогает при диагностике и лечении ряда патологических состояний, связанных с этой анатомической структурой. Например, соотношение объемов верхнечелюстной пазухи, занимаемых измененной слизистой оболочкой и воздухом, может служить критерием тяжести хронических риногенных синуситов, а также использоваться для оценки эффективности химио- и радиотерапии злокачественных опухолей, при планировании процедуры синус-лифтинга или эндоскопических операций на пазухе [6].

Цель исследования — сравнить ручной, полуавтоматический и автоматический методы определения объема верхнечелюстной пазухи, используя изображения, полученные с помощью конусно-лучевой компьютерной томографии (КЛКТ).

Данные КЛКТ 48 пациентов (96 верхнечелюстных пазух) медицинских центров Минска. Критерием отбора пациентов было отсутствие в анамнезе сведений о хирургических вмешательствах на верхнечелюстной пазухе и альвеолярном отростке верхней челюсти, после которых могла бы измениться нативная архитектура пазухи. Изменения слизистой оболочки пазухи и наличие в ее полости патологического содержимого в расчет не принимались, так как это не препятствовало дифференцировке костных стенок.

Морфометрия 12 верхнечелюстных пазух 6 пациентов (4 женщины и 2 мужчины в возрасте от 22 до 60 лет) проводилась в ручном, полуавтоматическом и автоматическом режимах.

На КЛКТ сканах ручным методом определялись следующие линейные размеры пазухи (рис. 1):

Рис. 1. Конусно-лучевые компьютерные томограммы.

а — фронтальная проекция; б — сагиттальная проекция. Линейные размеры правой верхнечелюстной пазухи. ML — медиолатеральный размер (ширина); AP — переднезадний размер (глубина); CC — краниокаудальный размер (высота).

Высота (краниокаудальный размер, craniocaudal dimension, CC) — максимальное расстояние между нижней стенкой глазницы и нижней стенкой пазухи на сагиттальных срезах.

Глубина (переднезадний размер, antero-posterior dimension, AP) — максимальное расстояние между передней и задней стенками пазухи на сагиттальных срезах.

Ширина (медиолатеральный размер, medio-lateral dimension, ML) — максимальное расстояние между медиальной и латеральной стенками пазухи на фронтальных срезах.

Каждое измерение проводилось двумя исследователями, которые выполняли калибровку вместе с рентгенологом.

Во всех случаях пазухи имели форму, близкую к пирамиде, поэтому их объем рассчитывали по формуле:

V=высота×глубина×¹/₃ ширины.

3D-реконструкция в полуавтоматическом и автоматическом режимах, а также расчет объемов верхнечелюстных синусов осуществлялись с использованием функций библиотеки VTK (Visualization Toolkit). Предварительно сегментировались участки верхнечелюстных пазух, обнаруживаемые на КЛКТ-срезах. В полуавтоматическом режиме сегментация проводилась экспертом (рентгенологом) интерактивно. При этом контуры костной стенки и слизистой оболочки выделялись поочередно с помощью инструмента «Умная кисть», программно реализованного на основе алгоритма кластеризации k-средних [7].

Для сегментации верхнечелюстной пазухи в автоматическом режиме применена технология сверточной нейронной сети (СНС). При этом использовалась модернизированная U-Net архитектура СНС. Модернизация сети заключалась в интегрировании в ее состав подсети DenseNet и осуществлялась на языке программирования Python в связке с отдельными модулями популярной библиотеки Keras, ориентированной на работу с нейронными сетями.

Обучение нейронной сети произведено на КЛКТ сканах 42 пациентов (44% мужчин и 56% женщин в возрасте от 8 до 69 лет (38±13 лет)). Эта процедура начиналась с разбивки изображений на тренировочную и валидационную серии в пропорции 75% на 25%.

Следующим шагом в процедуре обучения было получение из 3D-серий, разделенных на тренировочные и валидационные, плоских обучающих изображений (КЛКТ-срезов). В тренировочный набор попали 808 срезов пазухи 31 пациента. Валидационный набор состоял из 314 срезов пазухи 11 пациентов.

Для оценки качества использовалась метрика Intersection Over Union (или иначе Jaccard index — мера Жаккара), задаваемая формулой:

где: TP (true positive) — выбор пикселя, реально принадлежащего пазухе; FP (False positive) — ошибочный выбор пикселя, не принадлежащего пазухе; FN (False negative) — ошибочно отмеченный пиксель в качестве не принадлежащего пазухе; Im₁ — область пазухи, выделенная экспертом; Im₂ — область пазухи, выделенная нейронной сетью.

Используя процедуру аугментации, из первоначально имеющегося исходного набора изображений генерировали дополнительные обучающие данные [8]. Для аугментации использовалась библиотека Albumentations. Максимальная точность получена у обученной модели с размером входных изображений 352×352, размером блока (batch-size) 8 и составила 0,93 (IoU, индекс Жаккара). Использовались оптимизатор Adam, функция потерь: комбинация бинарной кросс-энтропии и функции потерь Серенсена (Dice loss). Данную модель обучали 100 эпох, используя видеокарту GeForce GTX 1080 Ti.

Для статистической обработки полученных данных использовали пакет программ Statistica 10.0.

В табл. 1 приведены данные об объеме верхнечелюстной пазухи, полученные разными методами. Во всех случаях ручной метод демонстрирует самые низкие значения объема пазухи по сравнению с другими методами, тогда как при использовании автоматического метода получаются наибольшие значения показателя. В обоих случаях эти значения находятся в пределах 95% доверительного интервала (±4,29 см³) для среднего объема пазухи, полученного экспертным методом. При этом объемы, рассчитанные автоматическим методом, ближе к значениям, которые определены в полуавтоматическом режиме сегментации с помощью эксперта. В табл. 2 приведены значения модулей абсолютных ошибок измерения относительно результатов эксперта: Δ₁=|РМ—Э| и Δ₂=НС—Э|, а также медианы (Me) и верхние квартили (Q_III). Эти данные позволяют проанализировать разбежки результатов получения объемов ручным, полуавтоматическим и автоматическим методами.

Таблица 1. Объем верхнечелюстной пазухи, определенный разными методами измерения

Таблица 2. Различия объемов верхнечелюстной пазухи, определенных разными методами их измерения

Примечание. РМ — ручной метод; Э — экспертный (полуавтоматический) метод; НС — автоматический метод (нейронная сеть).

В среднем отклонение от результатов эксперта при автоматическом методе оказалось равным 0,58, т.е. средняя погрешность измерения (относительная ошибка) составляет 4,97%. Аналогичные показатели при ручном методе равны 2,41 и 20,7%.

Неслучайность обнаруженных различий в точности методов подтверждена ранговым критерием Манна—Уитни (Uэмп=16, Uтаб.=31) при уровне значимости α=0,01.

В настоящее время для определения морфометрических параметров верхнечелюстной пазухи чаще всего используются ручные методы [9—12], реже — полуавтоматические методы [13]. Они представляют собой достаточно трудоемкий процесс, поскольку требуют обязательного просмотра в интерактивном режиме каждого КЛКТ-слоя с определением и выделением на нем области интереса. При этом не все структуры исследуемой области обладают высокой контрастностью и четкостью. Это касается в первую очередь контура слизистой оболочки.

В последнее время предпринимаются отдельные попытки разработать полностью автоматизированные программы для расчета объема придаточных пазух носа. G. Giacomini и соавт. [6] предложили автоматизированный метод определения объема верхнечелюстной пазухи, который использует методы сегментации, водораздела, выбора порога и морфологического анализа изображений, полученных с помощью компьютерной томографии. Проведенные статистические сравнения между автоматизированным и ручным количественным методами оценки данного параметра показали сильные зависимости между переменными величинами и низкую дисперсию результатов независимо от индивидуальных вариаций объема пазухи. Средняя процентная разница между автоматизированными и ручными методами была приблизительно 7% для обоих методов.

K. Souadih и соавт. [14] описали методику полностью автоматической сегментации клиновидной пазухи с использованием DeepMedics 3D CNN (многослойной трехмерной СНС, обрабатывающей данные в нескольких масштабах). Авторы отметили неплохую корреляцию результатов измерения между автоматизированным и ручным методами определения объема пазухи. В настоящем исследовании использована аналогичная методика, и она показала результаты, сопоставимые с данными ручного и полуавтоматического методов исследования. При этом абсолютные значения объема верхнечелюстной пазухи, полученные с использованием автоматизированного метода, на 24,5 и 4,9% выше по сравнению с результатами, полученными ручным и полуавтоматическим методами соответственно. По данным G. Giacomini и соавт. [6], объем верхнечелюстной пазухи при измерении в автоматическом режиме был на 14—17% выше по сравнению с объемом, полученным ручным методом.

Реальный объем пазухи, измеренный автоматическим методом, составил 12,27±6,80 см³. По данным литературы, в отдельных выборках объем верхнечелюстной пазухи у взрослых пациентов колеблется в диапазоне от 10,9±2,8 до 24,7±9,0 см³ [6, 10, 11, 15, 16]. Таким образом, метод определения объема пазухи с использованием искусственного интеллекта позволяет установить реальные морфометрические показатели. При этом значительно упрощается процедура выделения и измерения области интереса, а также параллельно уменьшаются временные затраты и повышается точность результатов. Достаточно лишь запустить исполняемый модуль программы и загрузить нужную КЛКТ-серию. Упрощение работы исследователя достигается за счет усложнения работы программистов по разработке, интеграции и обучению нейронной сети.

Еще одним важным преимуществом автоматизированного метода является возможность определения соотношения между объемами слизистой оболочки и воздухоносной полости (рис. 2). Считается, что в норме толщина слизистой оболочки (расстояние между костной стенкой и поверхностью слизистой оболочки пазухи) не должна превышать 1 мм [17].

Рис. 2. Трехмерная реконструкция верхнечелюстных пазух.

а — вид спереди; б — вид сбоку.

Для визуализации объемного изображения верхнечелюстной пазухи и определения ее объема по конусно-лучевым компьютерным томограммам использован искусственный интеллект (технология сверточной нейронной сети). Установлена высокая корреляция данных, полученных с помощью этой технологии, с результатами морфометрии пазухи ручным и полуавтоматическим методами. Использование автоматического метода создания 3D изображения пазухи не требует от пользователя специальных знаний. Метод имеет хорошую воспроизводимость и реализуется в коротком временном интервале.

Авторы заявляют об отсутствии конфликта интересов.