speech

Работа моя называется Методы сегментации медицинских изображений при частичном несоответствии входных и выходных данных.
..

Основная задача заключается в построении алгоритма глубокого обучения, решающего проблему сегментации глиобластом на МРТ головного мозга человека. При этом алгоритм должен быть устойчивым к шуму в целевой переменной.

Глиобластома - это злокачественное новообразование в головном или спинном мозге. Сегментация ложа глиобластомы необходима для планирования лучевой терапии пациента. В клинических условиях эксперты-радиологи вручную размечают контур опухоли на каждом слое трехмерного МРТ изображения мозга. Автоматический алгоритм может позволить снизить время, требуемое на ручную работу специалистов.

..

Специфика задачи состоит в том, что в лучевой терапии глиобластом не существует единого стандарта разметки из-за высокой неоднозначности патологии. По этим причинам клинические данные содержат большое количество неоднозначных шумных разметок опухоли.

Существует множество методов, решающих проблему шумной разметки в задаче сегментации или классификации медицинских изображений. Сейчас я остановлюсь на двух из них, наиболее близких к моей работе. В каждой из двух работ авторы пытаются уменьшить влияние шумного таргета на процесс обучения нейронной сети.
..
В первой из них на побатчевом обучении каждый батч входных элементов сортируется на основе значения функции потерь сети. После этого некоторая доля элементов с наивысшим значением функцией потерь исключается из батча при подсчете градиента. Однако в данном алгоритме теряется некоторая часть полезной информации, если все элементы в данном батче имеют корректную разметку. Также возможен и обратный случай, когда слишком много элементов батча имеют шумную разметку.
..
Во второй работе авторы используют взвешенную кросс-энтропию в качестве функции потерь. Веса получаются как выходы вспомогательной нейронной сети. Эта нейронная сеть принимает на вход батч изображений и соответствующих разметок. Возвращает нейронная сеть вектор размера батча, который становится вектором весов после применения функции софтмакс. Проблема в использовании такой сети заключается в том, что на вход подается истинная разметка, что может повысить риски переобучения. К тому же, оба алгоритма тестировались на искусственно полученных данных.
..
В своей работе я предлагаю модифицировать упомянутые методы следующим способом. В первом случае вместо удаления некоторой доли элементов батча полностью предлагается их перевзвешивание. Веса рассчитываются с тем же предположением, что более высокое значение функции потерь может говорить о том, что разметка элемента зашумлена в большей степени. Я использовал веса, линейно зависящие от функции потерь таким образом, что элементу батча с наивысшей функцией потерь присваивается нулевой вес, а с наименьшей - наивысший вес в батче.
..
Во втором случае предлагается подавать на вход вспомогательной сети не истинную разметку, а вероятностную карту, полученную сегментационной частью модели. Таким образом мы пытаемся снизить риски переобучения. Также, во взвешенную кросс-энтропию добавлено регуляризующее слагаемое, которое не дает весам выродиться после применения софтмакс. Конкретно, использовалась квадратичная регуляризация.
 ..
Алгоритмы тестировались на ретроспективных клинических данных, полученных институтом нейрохирургии им. Бурденко. Выборка включала в себя 98 трехмерных изображений, каждое из которых было представлено в виде набора аксиальных срезов. В качестве сегментационной сети была использована модель UNet с двумерными свертками. На вход сеть принимала часть изображения размером 240х240. На слайде проиллюстрированы распределения данных по моделям томографов и пространственным размерам.
..
Для визуализации выхода вспомогательной сети были предварительно отобраны 24 изображения. Для каждого из них я поставил метку, либо картинка "хорошая", что значит, что экспертная разметка соответствует гиперинтенсивной области на изображении, либо "плохая". Картинки были отобраны заранее, и предполагалось, что выход вспомогательной сети для плохой картинки будет в среднем ниже по значению, чем для хорошей. Красный контур отвечает разметке нейронной сети, голубой - экспертная разметка.
..
На графике проиллюстрированы выходы вспомогательной сети перед софтмаксом на этих 24 изображениях. Из боксплотов видно, что значения для "хороших" изображений в среднем выше, чем для "плохих", хотя на графике разделение не столь четкое. Это может быть связано с тем, что изображения были прокласифицированы на глаз.
..
В качестве метрики качества был испольван Dice Score. Эта стандартная метрика качества для сегментации медицинских изображений. Примеры работы сети с различными значениями дайса можно увидеть на слайде.
..
После применения методов метрика выросла примерно на 20%. При этом параметр регуляризации альфа оказывает серьезное влияние на результат. Модель показавшая наилучший результат была опробована на данных соревнования братс. Это было проделано, чтобы показать, что на незашумленных данных качество не падает в сравнении с бейзлайном.