Automātiska morfoloģisko struktūru noteikšana, segmentēšana un 3D modeļu rekonstrukcija no medicīniskiem attēliem, izmantojot mākslīgā intelekta dziļo neironu tīklu tehnoloģijas. Promocijas darba kopsavilkums

Abstract

Pētījums ir vērsts uz pieaugošu aktualitāti pēc precīzas, automatizētas medicīnisko attēlu analīzes un atbilstošu anatomisko modeļu izveides. Tā mērķis bija izstrādāt un pārbaudīt uz mākslīgo intelektu (MI) balstītas metodoloģijas, galvenokārt izmantojot dziļos neironu tīklus, lai automatizēti noteiktu, segmentētu un kvantitatīvi noteiktu dažādas morfoloģiskās struktūras dažādās attēlveidošanas modalitātēs (piemēram, datortomogrāfijā (DT), magnētiskās rezonanses tomogrāfijā (MRT) un histoloģiskajos preparātos). Paralēli tika izvirzīts mērķis izstrādāt un validēt visaptverošus protokolus trīsdimensiju (3D) anatomisko modeļu rekonstrukcijai gan no dotiem mākslīgā intelekta segmentētajiem datiem, gan no citiem avotiem, proti, mikro DT un fotogrammetrijas. Pētījumu rezultāti, tostarp izdrukāti modeļi un programmatūras rīki, bija paredzēti medicīnas izglītības un klīniskās diagnostikas uzlabošanai. Pētījumā tika izstrādāti protokoli 3D anatomisko modeļu rekonstrukcijai no datiem, kas iegūti, izmantojot dažādas attēlveidošanas metodes, tostarp DT, mikro-DT, strukturētu gaismas 3D skenēšanu un fotogrammetriju. Dotie digitālie modeļi tika validēti, izmantojot 3D drukāšanu un to efektīvu izmantošanu anatomijas izglītībā. Tika sistemātiski apmācītas un novērtētas tādas dziļo neironu tīklu arhitektūras kā U-Net un YOLO. Dotie modeļi tika pielietoti skriemeļu un mugurkaula metastātisku bojājumu segmentācijai no datortomogrāfijas skenējumiem, smadzeņu audzēju identificēšanai magnētiskās rezonanses attēlos, pielāgojot mašīnmācīšanās klasifikācijas tīklus ar izskaidrojamu mākslīgo intelektu segmentācijai līdzīgiem rezultātiem, un precīzu starpšūnu kvantitatīvai noteikšanai histoloģiskajos preparātos. Izstrādātās metodoloģijas tālāk tika integrētas programmatūras rīkos, lai demonstrētu praktisko lietderību un veicinātu plašāku to lietojumu. Galvenie secinājumi liecina par mākslīgā intelekta modeļu efektivitāti. Segmentējot mugurkaulus, U-Net arhitektūra sasniedza F-beta rādītāju 0,96, kas nozīmē, ka tā pareizi identificēja 96 % mugurkaula struktūru, vienlaikus līdz minimumam samazinot viltus pozitīvos rezultātus, savukārt lītisko metastāžu noteikšanā tā sasniedza 68 %, kas liecina par mazāku jutību un precizitāti bojājumu noteikšanā. Histopatoloģijā uz YOLO balstītie detektori sasniedza vidējo precizitāti pie 50 % pārklāšanās sliekšņa (mAP₅₀) 92 %, kas nozīmē, ka 92 % šūnu struktūru tika gan pareizi atklātas, gan lokalizētas ar vismaz pusi no platības atbilstību. Visbeidzot, 3D rekonstrukcijas darbplūsmas, kas tika īstenotas, izmantojot viegli pieejamu programmatūru, konsekventi radīja drukātos modeļus, kuru anatomija atbilda oriģinālajiem paraugiem klīniski noderīgā līmenī. Modernās attēlu apstrādes metodes, kas ietver dziļos neironu tīklus, var nodrošināt uzticamus, precīzus un reproducējamus rezultātus morfoloģisko struktūru noteikšanā un segmentēšanā. Izstrādātās metodikas un programmatūra piedāvā ievērojamu potenciālu medicīnisko attēlu analīzes uzlabošanai, apmācības pilnveidošanai anatomijā un klīniskās diagnostikas uzlabošanai, tādējādi panākot integrētu mākslīgā intelekta risinājumu nepieciešamību starpdisciplinārās jomās.