Анатомическая фантазия: как искусственный интеллект научился дорисовывать скрытые аномалии мозга младенцев
Аннотация. Автоматизированный анализ МРТ головного мозга плода и новорожденного ограничен из-за нехватки аннотированных наборов патологических данных и ограничений конфиденциальности, которые могут ограничить обмен данными, особенно для редких состояний. В этом исследовании изучалось, может ли синтетическая патологическая МРТ головного мозга плода и новорожденного, созданная на основе изображений семантических меток, улучшить производительность сегментации, особенно в аномально развивающемся мозге. Методы. В этой работе мы представляем Fetal&Neonatal-DDPM, новую структуру трехмерной модели условной диффузии, предназначенную для создания высококачественных синтетических патологических МРТ плода и новорожденного на основе изображений семантических меток. Кроме того, мы улучшаем данные обучения, модифицируя здоровые изображения меток посредством морфологических изменений для имитации таких состояний, как вентрикуломегалия, гипоплазия мозжечка и понтозозжечка и микроцефалия. Синтетические изображения оценивались четырьмя сертифицированными рентгенологами с использованием четырехуровневой оценки качества изображения и удобства диагностического использования. Полезность сегментации оценивалась путем обучения моделей nnU-Net с различными комбинациями реальных и синтетических данных и оценки оценок Дайса в наборе тестов FeTA2021 MICCAI и клинической когорте тяжелой вентрикуломегалии, связанной с расщелиной позвоночника. Результаты. С помощью DDPM для плода и новорожденного были получены визуально реалистичные МРТ головного мозга плода и новорожденного на основе оригинальных и патологически модифицированных изображений этикеток. Синтетические изображения получили значительно более высокие средние оценки радиологического качества и диагностической пригодности, чем отобранные реальные изображения. Синтетические патологические данные улучшили современную производительность сегментации nnUNet, особенно в случаях тяжелой вентрикуломегалии, при этом наиболее значительные (p <0,05) улучшения были достигнуты при сегментации желудочков (оценки Дайса: 0,9290 против 0,7317). Выводы. Это исследование подчеркивает потенциал генеративного искусственного интеллекта как преобразующего инструмента для увеличения данных, предлагающего улучшенную производительность сегментации в патологических случаях. Эта разработка представляет собой значительный шаг на пути к повышению точности анализа и сегментации при пренатальной визуализации, а также предлагает новые способы анонимизации данны
## В чем суть открытия Десятилетиями пренатальная нейрорадиология сталкивалась с непреодолимым информационным тупиком. Чтобы натренировать компьютерную систему безошибочно очерчивать границы мозговых структур у плода или новорожденного, требуются тысячи детально размеченных МРТ-сканов. Однако тяжелые врожденные патологии развития мозга встречаются редко, а строгие протоколы медицинской тайны и защиты персональных данных справедливо блокируют свободный обмен снимками между клиниками. В результате алгоритмы машинного обучения блестяще справлялись со стандартной анатомией здорового ребенка, но безнадежно слепли именно в те критические моменты, когда аномальное расширение желудочков или деформация задней черепной ямки требовали экстренного вмешательства хирургов. Исследовательская группа преодолела этот барьер, предложив парадигмальный сдвиг: вместо пассивного многолетнего ожидания редких клинических случаев патологию можно контролируемо создавать математически. Разработанный фреймворк трехмерного диффузионного моделирования Fetal&Neonatal-DDPM генерирует синтетические объемные МРТ-изображения патологического мозга непосредственно из модифицированных семантических масок. ## Как это устроено: принцип работы Архитектурно процесс устроен как контролируемая анатомическая трансформация. Отправной точкой служат семантические карты здорового развивающегося мозга, где каждому вокселю присвоена точная анатомическая метка: кора, желудочки, мозжечок, ствол мозга. Ученые применили к этим идеальным цифровым матрицам контролируемые морфологические деформации. Например, математически раздувая объем боковых желудочков, система моделирует клиническую картину вентрикуломегалии; уменьшая объем задних структур, воспроизводит гипоплазию мозжечка и мостомозжечковых трактов; сжимая общий контур свода черепа, воссоздает геометрию микроцефалии. Полученная искаженная метка затем передается в 3D условную диффузионную модель. Подобно скульптору, восстанавливающему детали из облака шума, диффузионная сеть синтезирует поверх искусственного анатомического каркаса текстуру живой ткани, характерные контрасты МРТ-сигнала, реалистичные артефакты и плавные переходы серого и белого вещества. На выходе формируется полностью синтетический, анатомически правдоподобный трехмерный скан, парный к идеальной маске сегментации. ## Результаты и доказательства Визуальное качество и диагностическую ценность синтезированных снимков вслепую оценивали четверо сертифицированных радиологов по четырехбалльной