Анализ подходов к глубокому обучению для автоматизированного выделения и сегментации предстательной железы: обзор литературы

Введение. Определение границ предстательной железы является начальным шагом в понимании состояния органа и в основном выполняется вручную, что занимает длительное время и напрямую зависит от опыта рентгенолога. Автоматизация в выделении предстательной железы может быть осуществлена различными подходами, в том числе с помощью искусственного интеллекта и его субдисциплин – машинного и глубокого обучения.
Цель работы – детальный анализ литературы для определения наиболее эффективных способов автоматизированной сегментации предстательной железы по снимкам мультипараметрической магнитно-резонансной томографии посредством глубокого обучения.
Материалы и методы. Поиск публикаций проводился в июле 2022 г. в поисковой системе PubMed с помощью клинического запроса (((AI) OR (machine learning)) OR (deep learning)) AND (prostate) AND (MRI). Критериями включения были доступность полного текста статьи, дата публикации не более 5 лет на момент поиска, наличие количественной оценки точности реконструкции предстательной железы с помощью коэффициента Серенсена–Дайса (Dice similarity coefficient, DSC).
Результаты. В результате поиска найдена 521 статья, из которой в анализ были включены только 24 работы, содержавшие описание 33 различных способов глубокого обучения для сегментации предстательной железы. Медиана количества исследований, включенных для обучения искусственного интеллекта, составила 100 с диапазоном от 25 до 365. Оптимальным значением DSC, при котором автоматизированная сегментация лишь незначительно уступает ручному послойному выделению предстательной железы, составляет 0,9. Так, DSC выше порогового достигнут в описании 21 алгоритма.
Заключение. Несмотря на значимые достижения в автоматизированной сегментации предстательной железы с помощью алгоритмов глубокого обучения, до сих пор существует ряд проблем и ограничений, требующих решения для внедрения искусственного интеллекта в клиническую практику.

1. Коссов Ф.А., Черняев В.А., Ахвердиева Г.И. и др. Роль и значение мультипараметрической магнитно-резонансной томографии в диагностике рака предстательной железы. Онкоурология 2017;13(1):122–33. DOI: 10.17650/1726-9776-2017-13-1-122-133

2. Beetz N.L., Haas M., Baur A. et al. Inter-reader variability using PI-RADS v2 versus PI-RADS v2.1: most new disagreement stems from scores 1 and 2. Rofo 2022;194(8):852–61. DOI: 10.1055/a-1752-1038

3. Ковалев В.А., Войнов Д.М., Малышев В.Д. и др. Компьютеризированная диагностика рака простаты на основе полнослайдовых гистологических изображений и методов глубокого обучения. Информатика 2020;17(4):48–60. DOI: 10.37661/1816-0301-2020-17-4-48-60

4. Рева С.А., Шадеркин И.А., Зятчин И.В. и др. Искусственный интеллект в онкоурологии. Экспериментальная и клиническая урология 2021;14(2):46–51. DOI: 10.29188/2222-8543-2021-14-2-46-51

5. Da Silva G.L.F., Diniz P.S., Ferreira J.L. et al. Superpixel-based deep convolutional neural networks and active contour model for automatic prostate segmentation on 3D MRI scans. Med Biol Eng Comput 2020;58(9):1947–64. DOI: 10.1007/s11517-020-02199-5

6. Wang B., Lei Y., Tian S. et al. Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Med Phys 2019;46(4):1707–18. DOI: 10.1002/mp.13416

7. Liu Q., Fu M., Gong X. et al. Densely dilated spatial pooling convolutional network using benign loss functions for imbalanced volumetric prostate segmentation. Curr Bioinform 2018;15(7):788–99. DOI: 10.48550/arXiv.1801.10517

8. Nai Y.H., Teo B.W., Tan N.L. et al. Evaluation of multimodal algorithms for the segmentation of multiparametric MRI prostate images. Comput Math Methods Med 2020;20;2020:8861035. DOI: 10.1155/2020/8861035

9. Yu L., Yang X., Chen H. et al. Volumetric ConvNets with mixed residual connections for automated prostate segmentation from 3D MR images. Proc AAAI Conf Artif Intell 2017;31(1):66–72. DOI: 10.1609/aaai.v31i1.10510

10. Comelli A., Dahiya N., Stefano A. et al. Deep learning-based methods for prostate segmentation in magnetic resonance imaging. Appl Sci 2021;11(2):1–13. DOI: 10.3390/app11020782

11. Karimi D., Samei G., Kesch C. et al. Prostate segmentation in MRI using a convolutional neural network architecture and training strategy based on statistical shape models. Int J Comput Assist Radiol Surg 2018;13(8):1211–9. DOI: 10.1007/s11548-018-1785-8

12. Ushinsky A., Bardis M., Glavis-Bloom J. et al. A 3D-2D Hybrid U-Net convolutional neural network approach to prostate organ segmentation of multiparametric MRI. AJR Am J Roentgenol 2021;216(1):111–6. DOI: 10.2214/AJR.19.22168

13. Yan K., Wang X., Kim J. et al. A propagation-DNN: deep combination learning of multi-level features for MR prostate segmentation. Comput Methods Programs Biomed 2019;170:11–21. DOI: 10.1016/j.cmpb.2018.12.031

14. Jia H., Xia Y., Song Y. et al. 3D APA-Net: 3D adversarial pyramid anisotropic convolutional network for prostate segmentation in MR images. IEEE Trans Med Imaging 2020;39(2):447–57. DOI: 10.1109/TMI.2019.2928056

15. Bardis M., Houshyar R., Chantaduly C. et al. Segmentation of the prostate transition zone and peripheral zone on MR images with deep learning. Radiol Imaging Cancer 2021;3(3):e200024. DOI: 10.1148/rycan.2021200024

16. Liu Y., Miao Q., Surawech C. et al. Deep learning enables prostate MRI segmentation: a large cohort evaluation with inter-rater variability analysis. Front Oncol 2021;11:801876. DOI: 10.3389/fonc.2021.801876

17. Nie D., Wang L., Gao Y. et al. STRAINet: Spatially-varying sTochastic Residual AdversarIal Networks for MRI pelvic organ segmentation. IEEE Trans Neural Networks Learn Syst 2019;30(5):1552–64. DOI: 10.1109/TNNLS.2018.2870182

18. Sanford T.H., Zhang L., Harmon S.A. et al. Data augmentation and transfer learning to improve generalizability of an automated prostate segmentation model. AJR Am J Roentgenol 2020;215(6):1403–10. DOI: 10.2214/AJR.19.22347

19. Liu Q., Dou Q., Yu L. et al. MS-Net: Multi-Site Network for improving prostate segmentation with heterogeneous MRI data. IEEE Trans Med Imaging 2020;39(9):2713–24. DOI: 10.1109/TMI.2020.2974574

20. Wang W., Wang G., Wu X. et al. Automatic segmentation of prostate magnetic resonance imaging using generative adversarial networks. Clin Imaging 2021;70:1–9. DOI: 10.1016/j.clinimag.2020.10.014

21. Aldoj N., Biavati F., Michallek F. et al. Automatic prostate and prostate zones segmentation of magnetic resonance images using DenseNet-like U-net. Sci Reports 2020;10(1):14315. DOI: 10.1038/s41598-020-71080-0

22. Nhat To M.N.N., Vu D.Q., Turkbey B. et al. Deep dense multi-path neural network for prostate segmentation in magnetic resonance imaging. Int J Comput Assist Radiol Surg 2018;13(11):1687–96. DOI: 10.1007/s11548-018-1841-4

23. Zhu Q., Du B., Yan P. Boundary-weighted domain adaptive neural network for prostate MR image segmentation HHS public access. IEEE Trans Med Imaging 2020;39(3):753–63. DOI: 10.1109/TMI.2019.2935018

24. Zhu Y., Wei R., Gao G. et al. Fully automatic segmentation on prostate MR images based on cascaded fully convolution network. J Magn Reson Imaging 2019;49(4):1149–56. DOI: 10.1002/jmri.26337

25. Meyer A., Chlebus G., Rak M. et al. Anisotropic 3D multi-stream CNN for accurate prostate segmentation from multi-planar MRI. Comput Methods Programs Biomed 2021;200:105821. DOI: 10.1016/j.cmpb.2020.105821

26. Geng L., Wang J., Xiao Z. et al. Encoder-decoder with dense dilated spatial pyramid pooling for prostate MR images segmentation. Comput Assist Surg 2019;24(sup2):13–9. DOI: 10.1080/24699322.2019.1649069

27. Chen J., Wan Z., Zhang J. et al. Medical image segmentation and reconstruction of prostate tumor based on 3D AlexNet. Comput Methods Programs Biomed 2021;200:105878. DOI: 10.1016/j.cmpb.2020.105878

28. Yan L., Liu D., Xiang Q. et al. PSP net-based automatic segmentation network model for prostate magnetic resonance imaging. Comput Methods Programs Biomed 2021;207:106211. DOI: 10.1016/j.cmpb.2021.106211

29. Khan S., Vohra S., Farnan L. et al. Using health insurance claims data to assess long-term disease progression in a prostate cancer cohort. Prostate 2022;82(15):1447–55. DOI: 10.1002/pros.24418

30. Toth R., Madabhushi A. Multifeature landmark-free active appearance models: Application to prostate MRI segmentation. IEEE Trans Med Imaging 2012;31(8):1638–50. DOI: 10.1109/TMI.2012.2201498

31. Qiu W., Yuan J., Ukwatta E. et al. Dual optimization based prostate zonal segmentation in 3D MR images. Med Image Anal 2014;18(4):660–73. DOI: 10.1016/j.media.2014.02.009

32. Ghose S., Mitra J., Oliver A. et al. A random forest based classification approach to prostate segmentation in MRI. In: MICCAI Gd. Chall. Prostate MR Image Segmentation, 2012. Pp. 125–128.

33. Rundo L., Militello C., Russo G. et al. Automated prostate gland segmentation based on an unsupervised fuzzy C-means clustering technique using multispectral T1w and T2w MR imaging. Inf 2017;8(2):49. DOI: 10.3390/info8020049

34. Litjens G., Debats O., van de Ven W. et al. A pattern recognition approach to zonal segmentation of the prostate on MRI. Med Image Comput Comput Assist Interv 2012;15(Pt 2):413–20. DOI: 10.1007/978-3-642-33418-4_51

35. Jin J., Zhang L., Leng E. et al. Bayesian spatial models for voxelwise prostate cancer classification using multi-parametric magnetic resonance imaging data. Stat Med 2022;41(3):483–99. DOI: 10.1002/sim.9245

36. Sharma N., Ray A.K., Shukla K.K. et al. Automated medical image segmentation techniques. J Med Phys 2010;35(1):3–14. DOI: 10.4103/0971-6203.58777

37. Chen D., Liu S., Kingsbury P. et al. Deep learning and alternative learning strategies for retrospective real-world clinical data. NPJ Digit Med 2019;2:43. DOI: 10.1038/s41746-019-0122-0

38. Bura V., Caglic I., Snoj Z. et al. MRI features of the normal prostatic peripheral zone: the relationship between age and signal heterogeneity on T2WI, DWI, and DCE sequences. Eur Radiol 2021;31(7):4908–17. DOI: 10.1007/s00330-020-07545-7