Этот текст первый из цикла небольших статей об ИИ в медицинской визуализации. Мне было интересно упорядочить свои знания и наблюдения в этой области, рассказав о них широкой аудитории.
Задачи ИИ в анализе медицинских изображений
Анализ медицинских изображений ИИ связан с компьютерным зрением и задачи его можно разделить на три большие группы:
- Классификация
- Детекция
- Сегментация
Каждая из этих задач имеет свои особенности и области применения. Рассмотрим же их подробнее, а главное - ознакомимся с примерами. Как вы могли догадаться, мы не будем рассматривать скучные чёрно-белые снимки а обратимся к по-настоящему прекрасному. Нет, не к позитронно-эмиссионной томографии. Но обо всём по порядку...
Классификация
Классифицируя изображения, ИИ разделяет их на собственно классы. Которых может быть два в случае бинарной классификации, а может быть и более.
Например нам нужно проанализировать изображения и найти на них собак. Класса будет два - "собака не найдена" и "собака обнаружена". Немного живописного возрождения нам не повредит:
При этом информации, где именно находится собака, мы не получим. Только ответ на вопрос, есть ли она на изображении.
В случае классификации небинарной, мы также можем получить информацию о том, какое именно животное найдено на изображении: собака, кот, лошадь и пр.
В медицине задача классификации может применяться для сортировки изображений на норму и патологию или для отфильтровывания изображений с определёнными находками.
Давайте себе представим, что травматолог на приеме сразу будет знать у кого из его пациентов обнаружен перелом на рентгенограмме. Даже в формате есть/нет такая информация будет полезна для управления потоками пациентов и оказания помощи.
Детекция
Следующий вызов для ИИ - не просто определить наличие какого-либо объекта, но указать его локализацию на изображении. Проще говоря, в случае с животными на изображениях, ИИ обведёт специальной прямоугольной рамкой рамкой (bounding box) область, в которой он признал... котика например.
Детекция помогаем врачам находить различные объекты на снимках и томограммах. Можете себе представить, что искомые объекты, например очаги в лёгких будут аккуратно обведены в рамочку на каждой из сотен томограмм, которые необходимо просмотреть врачу.
Удобно? Пожалуй да, ведь когда задачу поиска патологии за врача выполнил ИИ, специалист может сосредоточиться на интерпретации изменений.
Сегментация
Наконец, ИИ способен не просто определить область в которой находятся искомые объекты, но и точно оконтурить их границы, разделив изображение на сегменты.
Обычным результатом сегментации является маска, показывающая точные контуры объекта, покрывая каждый пиксель, относящийся к нему.
Сегментация в медицинской визуализации позволяет, например, определять точные границы патологических изменений. А зная точные границы ИИ может посчитать размеры, объём и и производные этих величин (медики до жути любят высчитывать всяческие индексы).
Нужно рассчитать объем выпота в плевральной полости? Для ИИ это рутинная задача и он выполнит её быстро и точно, а вот врач-рентгенолог может указать это значение весьма приблизительно.
А если речь идёт об острой внутримозговой гематоме, где объемом крови в том числе определяется необходимость хирургического лечения? Таки да, сегментация нам точно поможет.
Заключение
Естественно, наиболее удобные инструменты на основе ИИ должны уметь выполнять все три вида задач, ведь каждая помогает облегчать сложности возникающие у врачей-диагностов в ежедневной практике.
Постараюсь продемонстрировать возможности ИИ в медицинской визуализации в своих следующих заметках.
Поверьте, будет интересно ;)