РЕКОНСТРУКЦИЯ ТРЕХМЕРНОЙ МОДЕЛИ ПОЯСНИЧНОГО ОТДЕЛА ПОЗВОНОЧНИКА ЧЕЛОВЕКА НА ОСНОВЕ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ С ПРИМЕНЕНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ АРХИТЕКТУРЫ U-NET, РЕАЛИЗОВАННОЙ НА ФРЕЙМВОРКАХ KERAS И PYTORCH

Томографические методы визуализации, такие как компьютерная томография, предоставляют ценные данные для диагностики заболеваний и исследования внутренних структур человеческого тела, а обработка и реконструкция этих данных в виде трехмерных моделей анатомических объектов открывает дополнительные возможности для всестороннего анализа и изучения, дополняя традиционные методы медицинской визуализации.

Разработка систем реконструкции трехмерных моделей позвоночника на основе данных компьютерной томографии имеет следующую актуальность:

- повышение точности визуализации и анализа состояния позвоночника, что улучшает качество диагностики и лечения заболеваний позвоночника;

- использование прецизионных трехмерных моделей позвоночника повышает качество хирургического планирования операций на позвоночнике, позволяя врачам лучше визуализировать анатомию и спланировать вмешательство;

- применение прецизионных моделей позвоночника в ортопедическом протезировании обеспечивает более точную подгонку и изготовление имплантатов и протезов для пациентов;

- наличие таких систем представляет научно-исследовательский интерес для изучения биомеханики позвоночника, моделирования его движений и напряжений, что важно для понимания функционирования позвоночного столба.

В частности, разработка соответствующей системы реконструкции трехмерной модели позвоночника человека включает следующие этапы (шаги):

1. поиск и подготовка исходных данных: получение данных по запросу в частный медицинский центр или государственное учреждение здравоохранения, поиск данных в глобальной сети Интернет, ручная разметка (определение контуров позвонков) с помощь существующих приложения или ресурсов (использовалось приложение Slicer3D), создание тренировочной и тестовой выборки;

2. предобработка данных, очистка КТ-снимков человека от артефактов: применение характеристик ширины/длины окна в HU-единицах, а также итерационных алгоритмов (фильтров) очистки (используется медианный фильтр);

3. определение архитектуры Unet [1], подбор параметров, обучение нейронной сети c использованием фреймворков Keras [2], PyTorch [3] и средств языка программирования Python: features_number – 32, learning_rate – 0.001, batch_si-
ze – 64, метод оптимизации – Adam, функция loss – бинарная кросс-энтропия (binary cross entropy), метод расчета accuracy – Intersection over Union (IoU), epochs – 50;

4. проверка работоспособности нейронных сетей на тестовой выборке;

5. построение сетки на основе полученных контуров позвонков человека с использованием алгоритма марширующих кубов [4];

6. экспорт сетки в формат STL (standard tessellation language).

На рисунке 1 представлен результат сегментации с помощью нейронной сети, реализованной на фреймворке PyTorch.

Рисунок 1. Результат сегментации с помощью нейронной сети на PyTorch

На рисунке 2 представлен результат сегментации с помощью нейронной сети, реализованной на фреймворке Keras.

Рисунок 2. Результат сегментации с помощью нейронной сети на Keras

На рисунке 3 представлен результат построения STL-модели поясничного отдела позвоночника человека по тестовым данным при использовании нейронной сети, реализованной при помощи фреймворка PyTorch.

Рисунок 3. STL-модель позвоночника при использовании фреймворка PyTorch

На рисунке 4 представлен результат построения STL-модели поясничного отдела позвоночника человека по тестовым данным при использовании нейронной сети, реализованной при помощи фреймворка Keras.

Рисунок 4. STL-модель позвоночника при использовании фреймворка Keras

Таким образом, результатами выполненной работы являются STL-модели поясничного отдела позвоночника человека, которые возможно открыть в любом инженерном пакете САПР (CAD) или пакете моделирования (CAE).