Automatsko mjerenje volumena epikardijalne masti — što računala znaju o vašem kardiovaskularnom zdravlju?
Kardiovaskularne su bolesti jedan od najčešćih uzroka smrti u razvijenom svijetu. Više od četvrtine svih smrti u Hrvatskoj uzrokovane su bolestima kardiovaskularnog sustava. Očito je da su prevencija, dijagnostika i liječenje kardiovaskularnih bolesti ključne za spašavanje života. Iz tog razloga, moja grupa na Osječkom FERIT-u bavi se računalnom obradom medicinskih slika u svrhu boljeg razumijevanja bolesti kardiovaskularnog sustava. Jedna od stavki kojima se bavimo jest analiza epikardijalne masti na CT slikama.
Epikardijalna je mast sve masno tkivo koje se nalazi između srčanog mišića (miokarda) i zaštitne ovojnice srca koja se naziva perikard. S obzirom na to da epikardijalna mast dijeli mikrokrvotok sa srčanim mišićem, ona ima izravan utjecaj na rad srca.
Volumen epikardijalne masti povezan je s metaboličkim sindromom, koronarnom bolesti i fibrilacijom atrija. Također, epikardijalna mast igra izravnu ulogu u progresiji ateroskleroze i kardiomiopatije. Stoga je volumen epikardijalne masti važan indikator kardiovaskularnog zdravlja i može dovesti do boljeg razumijevanja, procjene rizika i prevencije kardiovaskularnih bolesti. [1]
Epikardijalna mast na CT slikama
Epikardijalna je mast raspršeno i nepravilno raspoređena uzduž srčanog zida, posebice u brazdama klijetki i uz zid desne klijetke. Zbog takvog oblika ručno mjerenje volumena na CT slikama može trajati i do sat vremena po CT slici. Umjesto mjerenja cijelog volumena epikardijalne masti, češće se ultrazvukom mjeri debljina epikardijalnog masnog tkiva okomitog na srčani zid. Takvo je mjerenje puno brže i jeftinije za izvesti, ali uključuje visoku razinu nepreciznosti.
Stoga postoji potreba za automatskom računalnom metodom koja bi pomoću računalne obrade slike u nekoliko sekundi precizno izmjerila pripadni volumen epikardijalne masti. S takvom bi se metodom volumen epikardijalne masti mogao koristiti za procjenu rizika od kardiovaskularnih bolesti i stvaranje bolje slike zdravlja pacijenta, kao i za obavljanje studija na velikom broju CT slika koje bi mogle omogućiti bolje razumijevanje interakcije epikardijalne masti i kardiovaskularnih bolesti.
Segmentacija epikardijalne masti konvolucijskim neuronskim mrežama
Neuronske mreže pokazale su se kao izvanredan alat za segmentaciju slike, ali jedna od glavnih mana im je ta što zahtijevaju veliku količinu označenih slika. Kako bi neuronska mreža mogla naučiti gdje se nalazi epikardijalna mast, moramo posjedovati bazu CT slika pri čemu svaka slika mora imati označene regije epikardijalne masti. Međutim, broj tako označenih slika vrlo je mali. Moj se rad stoga fokusira na načine iskorištavanja malog broja podataka kako bi se što bolje istrenirale neuronske mreže za biomedicinsku segmentaciju općenito, i segmentaciju epikardijalne masti specifično.
Za bolje iskorištavanje podataka fokusirao sam se na dvije glavne metode: bolje pretprocesiranje podataka i samonadzirano učenje.
Pretprocesiranje za bolju iskoristivost podataka
Razlog zašto je neuronskoj mreži potrebno puno podataka je taj što je vrlo teško uočiti pravilnosti u obliku epikardijalne masti. Epikardijalna je mast, naime, raspršena po cijeloj slici. Jedan od načina na koji možemo povećati iskoristivost tih podataka jest da ih pretvorimo u neki pravilniji oblik. Jedna od metoda koju smo razvili u tu svrhu koristi polarnu transformaciju slike. Polarna transformacija pretvara koordinate slike iz kartezijevog koordinatnog sustava u polarni koordinatni sustav, gdje je jedna os udaljenost neke točke od proizvoljnog centra, dok je druga os kut između te točke i proizvoljnog referentnog smjera. Kao primjer, polarna će transformacija kružnicu prikazati kao pravac.
Recimo da moramo nekim modelom predvidjeti regiju kruga na sredini slike. Kao što je vidljivo na slici ispod, u kartezijevom koordinatnom sustavu za predviđanje kruga treba nam funkcija s barem tri dimenzije kako bismo mogli linearno razdvojiti kružnicu od pozadine.
Drugim riječima, ne postoji pravac kojeg možemo povući da razdvojimo kružnicu od pozadine. Moramo koristiti još jednu dimenziju kako bismo savili prostor slike na takav način da možemo napraviti linearnu granicu između kružnice i njene pozadine.
Kad tu sliku pretvorimo polarnom transformacijom takvom da je središte polarne transformacije u sredini slike, dobijemo sliku na kojoj je kružnica postala pravokutnik u donjem dijelu slike. Tada nam je dovoljna samo jedna dimenzija za modeliranje iste slike.
Eksperimentalno smo pokazali da takvo smanjenje dimenzionalnosti postoji i kod puno kompliciranijih primjera gdje na slici moramo predvidjeti eliptičnu strukturu, kao što je slučaj kod epikardijalne masti, segmentacije jetre, polipa, madeža i drugih primjera u biomedicinskoj segmentaciji. [2] To omogućuje treniranje postojećih arhitektura neuronskih mreža s manje označenih podataka, odnosno povećava iskoristivost svakog podatka.
Samonadzirano učenje
Uobičajeno, neuronske se mreže treniraju ubacivanjem podataka za koje već imamo točno rješenje. Kad mreža predvidi svoje rješenje, možemo provjeriti podudara li se to rješenje s već poznatim i promijeniti internu strukturu mreže kako bi se bolje poklapala s poznatim rješenjem.
Međutim, što ako nemamo dovoljno podataka za koje znamo točno rješenje? Za takve se slučajeve može koristiti samonadzirano učenje. Umjesto ljudi koji sami određuju točno rješenje za neki podatak, smislimo umjetni zadatak za koji računalno možemo odrediti točno rješenje. Primjer takvog zadatka jest slagalica [3]; koristimo računalni program da neku ulaznu sliku pretvorimo u slagalicu od 9 polja i svako polje nasumično presložimo. Zatim treniramo neuronsku mrežu da složi tu slagalicu. S obzirom na to da smo računalno kreirali slagalicu, nema potrebe za ljudskim oznakama, tako da se broj podataka koji možemo koristiti drastično povećava.
Ali kako nam slaganje slagalica može pomoći specifično kod segmentacije epikardijalne masti? Da bi mreža naučila dobro složiti slagalicu, mora prvo dobro naučiti prepoznavati značajke i strukture na slici. Primjerice, da bi spojila jedno polje na kojem se nalazi srce s drugim, mora znati prepoznati značajke srca. U procesu rješavanja slagalice mrežu tjeramo da nauči prepoznavati vrlo kompleksne značajke slike.
Tada uzmemo tu mrežu koja slaže slagalice i pretvorimo je u mrežu koja prepoznaje epikardijalnu mast promjenom režima treniranja odnosno davanjem označenih podataka koje imamo specifično za epikardijalnu mast. S obzirom na to da je mreža već naučila prepoznavati značajke, samo mora prilagoditi svoje znanje novom problemu, umjesto da mora učiti od nule.
Također, samonadzirano učenje nije samo način za bolje iskorištavanje podataka već istraživanja pokazuju da ono može dovesti i do robusnijih neuronskih mreža koje su pouzdanije i otpornije na razlike u podacima. [4]
Iz svega je napisanog očito da suradnja između liječnika i računaraca, koja je trenutno suviše rijetka, može znatno olakšati posao liječnicima i rezultirati boljim razumijevanjem, prevencijom i samim liječenjem kardiovaskularnih bolesti. Razvojem novih arhitektura, načina treniranja i pretprocesiranja ulaznih podataka neuronskih mreža nadamo se pridonijeti tom cilju.
Literatura:
- Iacobellis, G., & Willens, H. J. (2009). Echocardiographic Epicardial Fat: A Review of Research and Clinical Applications. In Journal of the American Society of Echocardiography (Vol. 22, Issue 12, pp. 1311–1319). Elsevier BV. https://doi.org/10.1016/j.echo.2009.10.013
- Benčević, M., Galić, I., Habijan, M., & Babin, D. (2021). Training on Polar Image Transformations Improves Biomedical Image Segmentation. In IEEE Access (Vol. 9, pp. 133365–133375). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/access.2021.3116265
- Le, C., & Li, X. (2019). JigsawNet: Shredded Image Reassembly Using Convolutional Neural Network and Loop-Based Composition. In IEEE Transactions on Image Processing (Vol. 28, Issue 8, pp. 4000–4015). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/tip.2019.2903298
- Navarro, Fernando, et al. ‘Evaluating the Robustness of Self-Supervised Learning in Medical Imaging’. ArXiv:2105.06986 [Cs], May 2021. arXiv.org, http://arxiv.org/abs/2105.06986
Marin Benčević je asistent i doktorand na Katedri za vizualno računarstvo na FERIT-u u Osijeku i doktorand na Ghent University u Belgiji. Bavi se obradom medicinskih slika korištenjem dubokih neuronskih mreža. Trenutni fokus njegovog rada je obrada CT slika kardiovaskularnog sustava u svrhu boljeg razumijevanja kardiovaskularnih bolesti. Autor je i urednik nekoliko priručnika o razvoju aplikacija za iOS platformu.
Kontakt: marin.bencevic@ferit.hr
https://www.linkedin.com/in/marin-ben%C4%8Devi%C4%87-73ab13114/
https://www.researchgate.net/profile/Marin-Bencevic
