Глубокое обучение в задаче ранней диагностики деменции

 
 
 
 
 
П. А. Пылов, Р. В. Майтак, А. В. Протодьяконов  
 
 
 
 
 
 
ГЛУБОКОЕ ОБУЧЕНИЕ  
В ЗАДАЧЕ РАННЕЙ ДИАГНОСТИКИ ДЕМЕНЦИИ 
 
Монография 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Москва    Вологда 
«Инфра-Инженерия» 
2024 
1 
 

УДК 004.8 
ББК 32.813 
П94 
 
 
 
Рецензенты: 
доктор технических наук, профессор, академик РЭА, ведущий научный сотрудник  
АО «НЦ ВостНИИ» Виктор Семенович Зыков; 
 
доктор технических наук, профессор, заведующий кафедрой теоретической физики  
ФГБОУ ВО «Кемеровский государственный университет» 
Алексей Болеславович Гордиенко; 
 
доктор технических наук, профессор кафедры математики ФГБОУ ВО «Кузбасский  
государственный университет имени Т. Ф. Горбачева» Инна Алексеевна Ермакова 
 
 
 
 
 
 
П94           Пылов, П. А. 
 
 
Глубокое обучение в задаче ранней диагностики деменции : монография / П. А. Пылов, Р. В. Майтак, А. В. Протодьяконов. – Москва ; 
Вологда : Инфра-Инженерия, 2024. – 108 с. : ил., табл. 
ISBN 978-5-9729-2042-6 
 
Исследовано применение методов глубокого обучения в контексте ранней диагностики заболевания Альцгеймера. Рассматриваются основные способы мониторинга 
заболевания, известные на сегодняшний день в медицине. Излагаются методы и инструменты глубокого обучения, с помощью которых можно автоматизировать процесс определения диагноза на самых ранних стадиях. Программный код реализован 
на популярном языке программирования Python, поэтому любой желающий сможет 
запустить проект на своем собственном персональном компьютере. 
Для специалистов прикладной сферы анализа данных. Может быть полезно студентам и сотрудникам высших технических учебных заведений. 
 
УДК  004.8 
ББК  32.813 
 
 
 
 
ISBN 978-5-9729-2042-6 
” Пылов П. А., Майтак Р. В., Протодьяконов А. В., 2024 
 
” Издательство «Инфра-Инженерия», 2024 
 
” Оформление. Издательство «Инфра-Инженерия», 2024 
2 
 

Оглавление 
 
Введение ....................................................................................................................... 4 
 
Раздел 1. АНАЛИТИКА ТОМОГРАФИЧЕСКИХ МЕДИЦИНСКИХ 
ИЗОБРАЖЕНИЙ АЛГОРИТМАМИ ГЛУБОКОГО ОБУЧЕНИЯ ......................... 8 
1.1. Индуцированные локальные воздействия на основе магнитного              
резонанса и их значимость в прикладной медицинской сфере 
........................... 8 
1.2. Параметрическое исследование томографических 
медицинских снимков 
............................................................................................ 12 
1.3. Глубокое обучение как способ векторизации  и анализа                             
томографических изображений ............................................................................ 13 
1.4. Цель и задачи исследования 
........................................................................... 27 
Резюме по первому разделу .................................................................................. 27 
 
Раздел 2. РЕАЛИЗАЦИЯ ОПТИМАЛЬНОГО ПРОГРАММНОГО 
РЕШЕНИЯ НА ОСНОВЕ СОПОСТАВЛЕНИЯ ТОЧНОСТИ 
РАЗЛИЧНЫХ МОДЕЛЕЙ ГЛУБОКИХ НЕЙРОННЫХ 
СЕТЕЙ ДЛЯ ПРЕВЕНТИВНОЙ ДЕТЕКЦИИ ДЕМЕНЦИИ ............................... 28 
2.1. Модель сверточной нейронной сети в задаче анализа снимков МРТ ....... 28 
2.2. Модель остаточной нейронной сети в задаче анализа изображений ........ 44 
2.3. Выбор наилучшей архитектуры модели глубокого обучения 
.................... 51 
Резюме по второму разделу 
................................................................................... 53 
 
Раздел 3. НЕЗАВИСИМАЯ ОЦЕНКА И ВАЛИДАЦИЯ 
РАЗРАБОТАННОГО ПРОГРАММНОГО РЕШЕНИЯ ......................................... 54 
3.1. Исследование параметров полноты решения прикладной задачи              
моделью сверточной нейронной сети на основе тестовой выборки 
................. 54 
3.2. Оценка прикладной точности разработанного решения                              
на отложенной выборке данных ........................................................................... 55 
3.3. Сопоставление тестовой и валидационной точности модели                        
сверточной нейронной сети .................................................................................. 86 
Резюме по третьему разделу ................................................................................. 87 
 
Заключение 
................................................................................................................. 88 
 
Библиографический список 
...................................................................................... 89 
 
 
3 
 

Введение 
 
Центральным отделом нервной системы и самым сложноустроенным органом в человеческом организме является мозг. Головной мозг управляет всеми 
частями и органами человеческого организма, отвечает за мышление и контролирует жизненные процессы. 
Заболевания, связанные с головным мозгом, могут пагубно влиять не только на здоровье, но и на саму жизнь человека, резко сокращая ее продолжительность [1]. Для определения заболеваний головного мозга используется множество различных методик, одной из самых надежных признают магнитно-резонансную томографию [1]. На основе анализа снимков магнитно-резонансной томографии, врач-радиолог определяет возможные проблемы и заболевания у пациента. Однако, когда на врача возлагается высокая нагрузка (например, ког- 
да пациентов становится очень много), многократно возрастает и вероятность 
ошибки, носящей характер человеческого фактора. 
Вышеизложенный материал определяет актуальность темы научно- 
исследовательской работы (монографии), основанной на автоматизированном определении степени заболевания Альцгеймера по снимкам магнитно-резонансной томографии головного мозга человека. 
Научная проработанность темы ограничивается узким кругом заграничных исследователей, которые создавали программные решения, основанные 
на предсказательных моделях искусственного интеллекта. Например, ученые 
из Имперского колледжа Лондона оптимизировали алгоритм глубокого обучения для распознавания раковых опухолей и анализировали с его помощью 
снимки магнитно-резонансной томографии [33], при этом точность решения 
составила 98 . Соотечественники этих ученых из Кембриджского университета и больницы Адденбрука разработали свою собственную прикладную модель искусственного интеллекта для прогнозирования деменции (основы забо- 
левания Альцгеймера), однако эта разработка была специализирована под условия конкретной клиники (больница Адденбрука) и соответствующие томографы [34]. Подавляющее большинство других исследователей лишь собирают новости о создании моделей прикладного искусственного интеллекта, которые могут решать данную проблематику [35], не акцентируя своего внимания 
при аккумулировании материала на качество разработанных решений и прикладных оценок их точности. 
Пробелы в этой области знаний, несомненно, должны восполняться и отечественными исследователями. Причем разработка таких моделей прикладно- 
го искусственного интеллекта должна не только охватывать как можно более 
4 
 

общий формат снимков МРТ, но и исключать зависимость от конкретной больницы и специализированного оборудования. 
Объектом исследования научно-исследовательской работы (монографии) 
является процесс определения степени деменции (или ее отсутствия) у пациента. 
Предметом исследования настоящей монографии является разработка 
модели глубокого обучения для аналитики снимков магнитно-резонансной томографии. 
Целью настоящей научно-исследовательской работы (монографии) является прогнозирование степени деменции на основе снимков магнитно-резонансной томографии головного мозга моделью глубокого обучения. 
Для достижения цели, поставленной в данной работе, были определены 
следующие задачи: 
9 анализ необходимых медицинских данных, достаточных для постановки диагноза пациенту; 
9 исследование способов векторизации изображений моделями глубокого обучения; 
9 выбор алгоритма искусственного интеллекта для достижения поставленной цели; 
9 математический анализ ограничений модели глубокого обучения для 
решения прикладной задачи определения степени заболевания; 
9 программная реализация сверточной нейронной сети для превентивного прогнозирования степени заболевания; 
9 валидизация результатов оценки функционирования алгоритма по прикладной метрике точности и независимой оценки консультанта. 
 
Теоретическая и практическая значимость работы 
 
Теоретическое значение исследовательской работы (монографии) состоит 
в том, что данное программное решение является первой научной интеллек- 
туальной системой в Кузбассе, предоставляющей второе медицинское мнение 
для специалистов отделений клинических больниц. 
Практическая значимость работы состоит в следствиях, которые вытекают 
из системной интеграции программного решения в клинические отделения: 
1. Социальная эффективность: улучшаются условия труда рентгенологов, 
а также значительно сокращается время ожидания результатов анализов для пациентов. 
2. Научная эффективность: появление новых закономерностей и взаи- 
мосвязей в признаках рентгенологических данных, которые позволи- 
ли сформировать обобщающую способность модели искусственного 
5 
 

интеллекта; авторская модернизация модуля предварительной обработки данных, основанная на анализе предметной области и математических законах. 
3. Экономическая эффективность: сокращение времени, требуемого для 
вынесения диагноза пациенту, будет сокращать и период его пребывания в стационаре клиники. 
 
Степень достоверности результатов 
 
Оценивается на основании общепринятой прикладной метрики точности 
моделей искусственного интеллекта [30]. Прикладная значимость оценки достоверности особенно важна в том классе задач, где прогнозирование напрямую 
касается вопроса жизни и здоровья людей [25]. Регуляция результатов на осно- 
ве прикладной метрики позволила полностью исключить ложноотрицательные 
срабатывания алгоритма, незначительно увеличив при этом ошибку ложноположительных классификаций. 
Степень достоверности результатов работы алгоритма искусственного интеллекта, которая была оценена по прикладной метрике точности, также подтверждена результатами независимой оценки консультанта. 
 
Структура монографии 
 
Монография состоит из введения, трех разделов, заключения и библиографического списка. 
Первый раздел является математической базой настоящей исследовательской работы. В нем рассмотрены процессы получения снимков магнитнорезонансной томографии, а также исследован необходимый перечень материалов для постановки диагноза пациенту врачом-радиологом. Кроме этого, данный раздел посвящен исследованию математических способов векторизации 
изображений моделями глубокого обучения, а также определению наиболее 
оптимальных моделей прикладного искусственного интеллекта для решения 
поставленной в цели работы задачи. 
Во втором разделе раскрыт вопрос программного применения моделей 
искусственного интеллекта для аналитики томографических данных. Представлены программные разработки двух отличающихся архитектур моделей глубокого обучения – остаточной нейронной сети (ResNet) и сверточной нейронной 
сети (AlexNet). В рамках рассматриваемой прикладной задачи, на основе сопоставления двух моделей глубокого обучения по метрике точности ܽܿܿݑݎܽܿݕ, 
наиболее оптимальной моделью оказалась сверточная нейронная сеть. 
6 
 

Третий раздел включает в себя независимую оценку точности разрабо- 
танной модели сверточной нейронной сети на основе отложенной (валидационной) выборки данных. Высокая оценка результатов функционирования модели 
на «новых» (отложенных) данных стала основой для регистрации разработанного решения в Роспатенте.  
В процессе выполнения работы были использованы следующие инструменты: Jupyter Notebook (на основе ядра языка программирования Python 3.12), 
MS Excel, MS Word. 
 
 
7 
 

ǷǧǮǫǬDz 1 
 
ǧǴǧDzǯǹǯDZǧǹǵdzǵǪǷǧǻǯǾǬǸDZǯǼ 
dzǬǫǯǽǯǴǸDZǯǼǯǮǵǨǷǧǭǬǴǯǰ 
ǧDzǪǵǷǯǹdzǧdzǯǪDzǺǨǵDZǵǪǵǵǨǺǾǬǴǯȆ 
 
1.1. ǯȔȋȚȝȏȗȕȉȇȔȔȢȌȒȕȑȇȒȣȔȢȌȉȕȎȋȌȐȘșȉȏȦ 
 ȔȇȕȘȔȕȉȌȓȇȊȔȏșȔȕȊȕȗȌȎȕȔȇȔȘȇȏȏȜȎȔȇȞȏȓȕȘșȣ 
 ȉ ȖȗȏȑȒȇȋȔȕȐ ȓȌȋȏȝȏȔȘȑȕȐȘțȌȗȌ 
 
В медицинской сфере для осуществления исследований тканей и органов 
человека существуют различные методики. Все они могут быть классифицированы на инвазивные и неинвазивные способы диагностики.  
Характерным отличием первых является нарушение естественных внешних барьеров человеческого организма (слизистых оболочек, кожи). Примером 
первого способа может являться инъекция или хирургическое вмешательство. 
Неинвазивный метод предполагает проникновение сквозь естественные барьеры неосязаемым инструментарием (электромагнитными волнами). Такой способ не травмирует внешнюю физическую оболочку и по этой причине, в большинстве случаев, признается наиболее безопасной альтернативной инвазивному [1]. 
Одним из представителей неинвазивного метода является технология визуализации, которая позволяет получать трехмерные детализированные анатомические изображения – магнитно-резонансная томография (МРТ). Благодаря 
МРТ эффективно диагностируются патологии в мягких тканях. 
Магнитно-резонансная томография использует эффект резонансного поглощения атомами электромагнитных волн [2]. Во время проведения процеду- 
ры пациент помещается в магнитное поле, созданное томографом. При этом 
молекулы в организме пациента разворачиваются согласно направлению магнитного поля, после чего выполняется сканирование тела радиоволной. На специальной матрице фиксируются изменения состояния молекул, после чего данные передаются в компьютер для их дальнейшей обработки [1]. 
Главным результатом исследования МРТ являются томографические снимки. Их получают с помощью импульсных последовательностей, представляющих собой чередование радиочастотных импульсов и градиентных магнитных 
полей через определенные временные интервалы, измеряемые в миллисекундах. 
8 
 

Любая импульсная последовательность состоит из подготавливающего 
(возбуждающего) модуля, считывающего модуля и завершающего модуля. В процессе подготовки радиочастотный импульс возбуждает систему. Угол возбуж- 
дения определяется амплитудой импульса. Второй радиочастотный или градиентный импульс рефазирует систему. Поэтому условно все импульсные последовательности можно разделить на радиочастотные и градиентные, причем те 
и другие могут быть обычными и ускоренными. В процессе считывания происходит измерение сигнала. Завершающий модуль необходим для восстановления 
системы.  
К радиочастотным импульсным последовательностям относят два типа МРТ: 
x «спин – эхо»; 
x «инверсия – восстановление». 
Поскольку целью монографии является превентивное предсказание деменции по медицинским снимкам МРТ головного мозга, то дальнейшему рассмотрению будет подвергнут только первый тип МРТ («спин – эхо»), так как 
именно он лежит в основе детекции нейродегенеративных изменений [3]. 
Импульсная последовательность «спин – эхо» (от английского «Spin 
Echo», SE) представляет собой последовательность из 90ƒ- и 180ƒ-импульсов, 
которые вновь подаются через интервал времени повторения (от английского 
«Repetition Time», TR). 90ƒ-импульс приводит к возбуждению системы: продольная намагниченность (ܯ௭) переходит в плоскость Х-У, а поперечная на- 
магниченность (ܯ௫ି௬) начинает прецессировать с Ларморовской частотой. Затем 
начинается релаксация. В условиях неоднородности магнитного поля (техническая неоднородность поля магнита и действие малых магнитных полей спинов 
друг на друга) расфазировка идет с небольшой разницей в частоте прецессии 
отдельных спинов. При этом за время до прихода 180ƒ-импульса «быстрые» 
(обладающие большей кинетической энергией) спины уходят на некоторый угол 
от «медленных», так как последние не успели релаксироваться до такой степени. 
180ƒ-импульс переворачивает конус прецессии, то есть меняет направление 
прецессирования на противоположное. Тогда «быстрые» спины вновь догоня- 
ют «медленные» и в определенный момент происходит повторное сфазирование – возникает поперечная намагниченность. Как следствие, возникает сигнал 
в приемной катушке, обозначаемой ЭХО. От 90ƒ-импульса до эха проходит 
время равное 2t и называемое эхо-задержкой (от английского «Time Echo», ТЕ). 
Графическое представление импульсной последовательности представлено на рисунке 1. 
 
9 
 

 
Рисунок 1 – Графическое представление импульсной последовательности 
«спин-эхо» 
 
Результатом работы медицинского томографа (аппарата, выполняющего 
МРТ-диагностику головного мозга) является получение томографии головного 
мозга в разных проекциях (рисунок 2). 
Визуализированная информация (рисунок 2) позволяет сделать врачу-рентгенологу заключение о процессах, протекающих в тканях головного мозга и состоянии кровеносных сосудов. 
Кроме фиксации наличия возможных отклонений от нормы, при помощи 
МРТ можно определить и их природу: 
x расположение, форму и размеры новообразований, гематом или тромбов; 
x стадию и локализацию других патологий головного мозга. 
Если результаты исследования оказываются недостаточно точными и/или 
необходимо аугментировать отдельный участок коры головного мозга, врачами 
может быть назначено проведение МРТ с контрастированием [2, 3]. 
 
10