Исследование применения нейросетевых моделей в классификации узлов щитовидной железы по категориям EU-TIRADS для персонализации ультразвуковой диагностики щитовидной железы

ОБОСНОВАНИЕ. Известно, что около 69% всех узлов щитовидной железы, подвергшихся хирургическому лечению, представляют собой доброкачественные образования, а до 75% пациентов с промежуточным цитологическим заключением подвергаются ненужному хирургическому вмешательству. Это позволяет предположить, что повышение качества дифференциальной диагностики узловых образований позволит избежать избыточных экономических затрат для системы здравоохранения. В связи с этим встал вопрос о привлечении технологий искусственного интеллекта в диагностические алгоритмы классификации узловых образований щитовидной железы.
ЦЕЛЬ. Повышение эффективности автоматической классификации узловых образований щитовидной железы на ультразвуковых изображениях за счет использования набора нейросетевых моделей.
МАТЕРИАЛЫ И МЕТОДЫ. В работе использовались ультразвуковые изображения узловых образований щитовидной железы, доступные в открытых источниках и полученные при помощи 3 ультразвуковых аппаратов ГНЦ РФ ФГБУ «НМИЦ эндокринологии» Минздрава России в рамках реализации проекта №22-15-00135 гранта Российского научного фонда. В работе исследована гипотеза о том, что объем обучающей выборки не может быть увеличен за счет повторения схожих изображений из ультразвуковой кинопетли одного пациента, а только благодаря расширению датасета новыми уникальными экземплярами других пациентов и/или данными процесса аугментации.
РЕЗУЛЬТАТЫ. В результате предложена нейросетевая модель EfficientNet-B6 для решения задачи классификации по EU-TIRADS узловых образований щитовидной железы по ее ультразвуковым изображениям.
ЗАКЛЮЧЕНИЕ. Полученные результаты позволяют продвинуться в вопросах использования методов искусственного интеллекта для персонализированной медицины при заболеваниях щитовидной железы.

1. Brockwell PJ, Davis RA. Introduction to time series and forecasting. New York: Springer; 2016.

2. Aldweesh A, Derhab A, Emam AZ. Deep learning approaches for anomaly-based intrusion detection systems: A survey, taxonomy, and open issues. Knowledge-Based Syst. 2020;(189):105124. doi: https://doi.org/10.1016/j.knosys.2019.105124

3. Chen J, You H, Li K. A review of thyroid gland segmentation and thyroid nodule segmentation methods for medical ultrasound images. Comput Methods Programs Biomed. 2020;(185):105329. doi: https://doi.org/10.1016/j.cmpb.2020.105329

4. Deng P, Han X, Wei X, Chang L. Automatic classification of thyroid nodules in ultrasound images using a multi-task attention network guided by clinical knowledge. Comput Biol Med. 2022;(150):106172. doi: https://doi.org/10.1016/j.compbiomed.2022.106172

5. Zhang X, Lee VC, Rong J, et al. Deep convolutional neural networks in thyroid disease detection: A multi-classification comparison by ultrasonography and computed tomography. Comput Methods Programs Biomed. 2022;(220):106823. doi: https://doi.org/10.1016/j.cmpb.2022.106823

6. Sharifi Y, Bakhshali MA, Dehghani T, et al. Deep learning on ultrasound images of thyroid nodules. Biocybern Biomed Eng. 2021;41(2):636-655. doi: https://doi.org/10.1016/j.bbe.2021.02.008

7. Tessler FN, Middleton WD, Grant EG. Thyroid Imaging Reporting and Data System (TI-RADS): A user’s guide. Radiology. 2018;287(1):29-36. doi: https://doi.org/10.1148/radiol.2017171240

8. Redmon J, Divvala S, Girshick R, et al. You only look once: unified, realtime object detection. Nucl Instruments Methods Phys Res Sect A Accel Spectrometers, Detect Assoc Equip. 2015 [cited 15.08.2023]. Available from: http://arxiv.org/abs/1506.02640

9. Chen LC, Papandreou G, Kokkinos I, et al. Rethinking Atrous Convolution for Semantic Image Segmentation Liang-Chieh. IEEE Trans Pattern Anal Mach Intell. 2018 [cited 15.08.2023]. Available from: http://arxiv.org/abs/1706.05587

10. Maharana K, Mondal S, Nemade B. A review: Data pre-processing and data augmentation techniques. Glob Transitions Proc. 2022;3(1):91-99. doi: https://doi.org/10.1016/j.gltp.2022.04.020

11. Nalepa J, Marcinkiewicz M, Kawulok M. Data augmentation for braintumor segmentation: A review. Front Comput Neurosci. 2019;(13). doi: https://doi.org/10.3389/fncom.2019.00083

12. Chlap P, Min H, Vandenberg N, et al. A review of medical image data augmentation techniques for deep learning applications. J Med Imaging Radiat Oncol. 2021;65(5):545-563. doi: https://doi.org/10.1111/1754-9485.13261

13. Hoar D, Lee PQ, Guida A, et al. Combined transfer learning and testtime augmentation improves convolutional neural network-based semantic segmentation of prostate cancer from multi-parametric MR images. Comput Methods Programs Biomed. 2021;(210):106375. doi: https://doi.org/10.1016/j.cmpb.2021.106375

14. Image Test Time Augmentation with PyTorch [Internet]. TTAch [cited 01.03.2023]. Available from: https://github.com/qubvel/ttach

15. Documentation of the imgaug library for image augmentation [Internet] [cited 01.03.2023]. Available from: https://imgaug.readthedocs.io/en/latest/, free

16. Hussain Z, Gimenez F, Yi D, Rubin D. Differential data augmentation techniques for medical imaging classification tasks. AMIA . Annu Symp proceedings AMIA Symp. 2017. P. 979-984.

17. Chen Y, Yang X-H, Wei Z, et al. Generative Adversarial Networks in Medical Image augmentation: A review. Comput Biol Med. 2022;144:105382. doi: https://doi.org/10.1016/j.compbiomed.2022.105382

18. Shi G, Wang J, Qiang Y, et al. Knowledge-guided synthetic medical image adversarial augmentation for ultrasonography thyroid nodule classification. Comput Methods Programs Biomed. 2020;(196):105611. doi: https://doi.org/10.1016/j.cmpb.2020.105611

19. Neurohive [Internet]. ResNet (34, 50, 101): «остаточные» CNN для классификации изображений. Доступно по: https://neurohive.io/ru/vidy-nejrosetej/resnet-34-50-101/. Ссылка активна на 01.03.2023.

20. ResNet [Internet]. PyTorch Documentation [cited 01.03.2023]. Available from: https://pytorch.org/vision/stable/models/resnet.html

21. Tan M, Le Q V. EfficientNet: Rethinking model scaling for convolutional neural networks. In: 36th International Conference on Machine Learning, ICML 2019; 2019.

22. EfficientNet [Internet]. PyTorch Documentation [cited 01.03.2023]. Available from: https://pytorch.org/vision/stable/models/efficientnet.html

23. Ludwig M, Ludwig B, Mikuła A, et al. The use of artificial intelligence in the diagnosis and classification of thyroid nodules: An update. Cancers (Basel). 2023;15(3):708. doi: https://doi.org/10.3390/cancers15030708