Algorytm do segmentacji plak demielinizacyjnych przy wykorzystaniu własnego modelu AI

Algorytm powstał na bazie algorytmu LST-AI o najwyższej znanej w literaturze skuteczności. Narzędzie wykorzystuje 3 modele uczenia głębokiego o architekturze typu U-Net, a do działania potrzebuje dwóch sekwencji MRI: T1-zależnej oraz FLAIR (ang. Fluid-Attenuated Inversion Recovery). Algorytm został udostępniony na otwartej licencji MIT. Finalny algorytm powstał przez douczenie w oparciu o maski wysegmentowane ręcznie i zweryfikowane przez lekarzy radiologów i neurologów.

W celu weryfikacji skuteczności narzędzia przeprowadzono jego pełną walidację na danych projektowych, obejmujących obrazy MRI pacjentów wraz z referencyjnymi maskami plak, przygotowanymi ręcznie we współpracy z lekarzami zaangażowanymi w projekt.

Analiza podobieństw w oparciu o współczynnika Dice’a wykazała wzrost do 0.69 dla modelu dotrenowanego, czyli uzyskaliśmy około 15% lepszy model w porównaniu do LST-AI.

Rysunek. Graficzny interfejs użytkownika (ang. graphical user interface, GUI) pozwalający na ręczne wczytanie badania i wykonanie na nim automatycznej segmentacji plak. Kod źródłowy programu napisano w języku Python. Opracowany program posiada szereg funkcjonalności. W dolnym oknie pokazano przykładowe statystyki dla wysegmentowanych zmian zaznaczonych na obrazie po stronie prawej.

Referencje

1. Krzyżak AT, Lasek J, Schneider Z, Wnuk M, Bryll A, Popiela T, Słowik A. Diffusion tensor imaging metrics as natural markers of multiple sclerosis-induced brain disorders with a low Expanded Disability Status Scale score. NeuroImage 2024; 290, 120567. https://doi.org/10.1016/j.neuroimage.2024.120567.
2. Mazur‑Rosmus, A. T. Krzyżak. The effect of elimination of gibbs ringing, noise and systematic errors on the DTI metrics and tractography in a rat brain,; Scientific Reports 2024; 14:15010. https://doi.org/10.1038/s41598-024-66076-z
3. Krzyżak AT, Lasek J, Stefańska AK, Kierońska‑Siwak S, Obuchowicz R. Reduction of systematic errors in diffusion tensor imaging of the human brain as a prospect for increasing the precision of planning neurosurgical operations with particular emphasis on fiber tracking. Comput Biol Med 2025; 194:110503. https://doi.org/10.1016/j.compbiomed.2025.110503