“Dziļās mašīnmācīšanās pieeja osteoporozes atpazīšanai ar
konusa staru datortomogrāfiju (OSTAK)”
Projekts Nr. lzp-2021/1-0031
Projekta mērķis:
Starpdisciplinārā projekta mērķis ir izstrādāt mākslīgo intelektu, kas noteiks osteoporozes risku žokļa kaulu koniskā stara datortomogrāfijas (KSDT) izmeklējumos sievietēm. Pētījumā tiks iegūtas jaunas zināšanas medicīnā un datorzinātnē, jauna pieeja osteoporozes riska noteikšanai. Osteoporoze ir otra izplatītākā pataloģija pēc sirds – asinsvadu slimībām un tās izraisītos lūzumus novēro katrai trešajai sievietei, kas vecāka par 50 gadiem. Projekta galvenās mērķa grupas: pacienti ar osteoporozes simptomiem, pacientu radinieki, radiologi, zobārsti, doktorantūras un maģistratūras studenti.
Kopsavilkums:
Starpnozaru projekta mērķis ir izstrādāt inovatīvu osteoporozes riska noteikšanas metodi sejas un žokļu rajona konusa staru datortomogrāfijas (KSDT) izmeklējumos un novērtēt tās efektivitāti, izmantojot “no gala līdz galam” dziļās mašīnmācīšanās pieeju. KSDT ir neinvazīvs izmeklējums, ko plaši pielieto zobārstniecībā. Projektā piedāvātā pieeja radīs datorredzes metodi, lai ātrāk un precīzāk atklātu palielinātu osteoporozes risku sievietēm. Tas veicinās savlaicīgu šīs slimības ārstēšanas uzsākšanu un osteoporostisku lūzumu novēršanu. Projekts sekmēs personālās medicīnas, medicīnas un IKT sektora izaugsmi. Projektā sadarbosies medicīnas eksperti no Rīgas Stradiņa universitātes (RSU) un dziļās mašīnmācīšanās pētnieki no Elektronikas un datorzinātņu institūta (EDI). RSU pētnieki izveidos pētāmo pacientu datu kopu. Plānots 220 pacientiem veikt KSDT un osteodensitometrijas izmeklējumus. Tiks veikti dažādi kaula kvalitātes un radioloģiskā kaula blīvuma mērījumi apakšžoklī un kakla skriemeļos. Iegūtos rezultātus tālāk izmantos EDI, lai veidotu automātisku uz datorredzi balstītu semantiskās segmentācijas, klasifikācijas un izskaidrošanas metodi osteoporozes riska noteikšanai. Kvantitatīvās vērtības būs iegūto KSDT un osteodensometrijas izmeklējumu indikatīvās robežvērtības.
Aktualitātes
01.02.2022. – 30.03.2022.
Tiek precizēta pētījumu stratēģija, pētījumu metodoloģija un uzdevumi osteoporozes riska faktoru noteikšanā. Atbilstoši RSU izstrādātajai inovatīvajai metodoloģijai, analizējot 3D KSDT attēlus, tiek izstrādāts apakšžokļa mērījumu un indeksu protokols. Protokola aprobācijai notiek semināri 21.02.2023. un 09.05.2023. EDI saņem .nrrd sākotnējos pacientu failus un atrod vispiemērotāko DNN arhitektūru. Kā piemērotākā tiek pieņemta ResNet-101 dziļās apmācības arhitektūra.
01.04.2022. – 30.06.2023.
Izstrādāta pacientu marķēšanas metodoloģija, prezentēta marķēšanas instrukcija un programmnodrošinājums 3D KSDT attēlu marķēšanai. Uzsākts marķēšanas process. Pētījuma pirmie iegūtie rezultāti tiek prezentēti 2022. gada 3.-4. jūnijā Rīgā starptautiskajā apvienotajā 16. Rīga-Rostoka simpozijā un 10. Baltijas sejas, žokļu un plastiskās ķirurģijas asociācijas kongresā “Jaunākās tehnoloģijas mutes, sejas un žokļu ķirurģijā”. Ar referātu “Osteoporozes identificēšana konsika stara datora tomogrāfijas izmeklējumos izmantojot dziļo mašīnapmācību” uzstājās Dr. L.Neimane.
01.07.2022. – 30.09.2022.
RSU tiek marķēti attēli. EDI turpina izstrādāt programmnodrošinājumu modulāram dziļajam neironu tīklam. Tiek aprobēts modulārs dziļais neironu tīkls klasifikācijas uzdevumam, t.i., apakšžokļa griezuma atlasei, kur vislabāk redzams foremen mentale.
01.10.2022. – 31.12.2022.
Pētījuma rezultāti tiek prezentēti (kā posteri) un publicēti ESHNR 2022 (10.11.2022.) konferences rakstos: L.Jakaite el. al., The Impact of Reduced General Bone Mineral Density on Cortical Bone of the Edentulous Mandible (Samazināta vispārējā kaulu minerālā blīvuma ietekme uz organiskā apvalka kortikālo kaulu) un A.Beibakova et. al., The relationship between bone mineral density and grey value measurements of jaw bones inpostmenopausal females (Saistība starp kaulu minerālo blīvumu un žokļa kaulu pelēkās vērtības mērījumiem pēcmenopauzes vecuma sievietēm).
01.01.2023. – 31.03.2023.
Pabeigta KSDT attēlu marķēšana, izveidota OSTAK datu kopa, sastāvoša no 188 pacientu apakšžokļa marķētiem attēliem modulāra dziļā neironu tīkla apmācībai un validācijai. Pabeigts darbs pie datu ievades apmācībai un tīkla apmācības programmnodrošinājuma.
Ir apmācīts un validēts modulārs dziļais neirona tīkls, pamatā izmantota ResNet-101 arhitektūra. Tīkls sastāv no trim secīgiem dziļās apmācības modeļiem klasifikācijas un diviem regresijas uzdevumu risināšanai. Pirmais spēj atlasīt nepieciešamo apakšžokļa kaula griezumu KSDT attēlos aksiālā griezumā, kur vislabāk redzama foremen mentale. Tīkla apmācības precizitāte 98.85% (39 epohas), validācijas precizitāte 93.99% (35 epohas). Otrs veic apakšžokļa kaula griezumus pēc iepriekš definētiem attālumiem, iegūstot apakšžokļa šķērsgriezuma laukuma attēlus. Trešais veic apakšžokļa kortikālā kaula biezumu mērījumus.
25.03.2023.
Latvijas Zobārstu asociācijas sēdē Dr. L.Neimane uzstājās ar ziņojumu par osteoporozes riska noteikšanu zobu, sejas un žokļu radioloģisko izmeklējumu attēlos. Profesore norādīja uz būtisko, kam jāpievērš uzmanība zobārstu ikdienas praksē, lai pamanītu osteoporozes risku pēcmenopauzes vecuma sievietēm: https://www.lza-zobi.lv/lv/25-marta-2023-latvijas-zobarstu-asociacijas-sede
01.04.2023. – 30.06.2023.
Iegūto rezultātu analīze, programmnodrošinājuma precizēta iestatīšana un iesniegts raksts Modular Deep Neural Network for Detection of Osteoporotic Changes in Radiological Data (“Modulārs dziļuma nervu tīkls Osteoporotisku izmaiņu noteikšanai radioloģiskajos datos”). Rezultātu aprobācija tiek apspriesta seminārā 27.04.2023.
20.06.2023. – 22.06.2023.
Zinātniskajā konferencē International workshop on Embedded Digital Intelligence (IWoEDI’2023) 20-22.06.2023 tiek prezentēts OSTAK projekts par mākslīgā intelekta pielietošanu medicīnā Artificial Intelligence ‒ Powered System for Identifying Bone Deterioration in Radiological Imaging (“Mākslīgā intelekta sistēma kaulu deformācijas risku identificēšanai radioloģijā”).
Iesaistītie zinātnieki
