К ленте · Россия

РоссияСтатьяИсследования

СПОСОБ И СИСТЕМА ДЛЯ ВЫЯВЛЕНИЯ ОБЪЕМНЫХ ОБРАЗОВАНИЙ ПЕЧЕНИ НА МРТ-ИЗОБРАЖЕНИЯХ

[195] Группа изобретений относится к области медицины, в частности к обработке МРТ-изображений абдоминальной области, и может быть использована для поддержки принятия врачебных решений при диагностике как опухолевых, так и неопухолевых образований печени. Предложен способ выявления объемных образований печени на МРТ-изображениях, который включает: этап отбора из исходного пакета DICOM изображений пяти серий МРТ-изображений печени с последующей передачей отобранных изображений в блок хранения и архивации, этап препроцессинга изображений, этап анализа изображений, этап постпроцессинга результатов анализа изображений, этап формирования отчета. Далее формируют пакеты изображения и подают их в предварительно обученную первую U-Net-подобную сеть для получения 3D-масок вероятностей сегментации печени; пакеты изображений всех серий также подают в предварительно обученную вторую U-Net-подобную сеть для сегментации объёмных образований печени с получением пакетов 2D-масок вероятностей для каждого класса патологий. На этапе постпроцессинга формируют бинарные маски: 3D-маску объёмных образований, объединяющую классы и 3D-маску печени. Далее на основе полученной 3D-маски объемных образований создают облако точек , которое подвергают кластеризации с использованием алгоритма DBSCAN с получением набора кластеров. Для каждого кластера формируют ограничивающую поверхность с последующей фильтрацией полученных ограничивающих поверхностей - по средней вероятности по маскам классов внутри каждой о

СПОСОБ И СИСТЕМА ДЛЯ ВЫЯВЛЕНИЯ ОБЪЕМНЫХ ОБРАЗОВАНИЙ ПЕЧЕНИ НА МРТ-ИЗОБРАЖЕНИЯХ

Выданный патент: RU2872071C1 Дата публикации: 2026-10-19 Заявитель / патентообладатель: Федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр онкологии имени Н.Н. Блохина" Министерства здравоохранения Российской Федерации (ФГБУ "НМИЦ онкологии им. Н.Н. Блохина" Минздрава России) (RU) Классификация: G16H30/20 A61B5/0536 G06N3/02 G06T7/10 G16H30/20 A61B5/0536 G06N3/02 G06T7/10

Реферат [195] Группа изобретений относится к области медицины, в частности к обработке МРТ-изображений абдоминальной области, и может быть использована для поддержки принятия врачебных решений при диагностике как опухолевых, так и неопухолевых образований печени. Предложен способ выявления объемных образований печени на МРТ-изображениях, который включает: этап отбора из исходного пакета DICOM изображений пяти серий МРТ-изображений печени с последующей передачей отобранных изображений в блок хранения и архивации, этап препроцессинга изображений, этап анализа изображений, этап постпроцессинга результатов анализа изображений, этап формирования отчета. Далее формируют пакеты изображения и подают их в предварительно обученную первую U-Net-подобную сеть для получения 3D-масок вероятностей сегментации печени; пакеты изображений всех серий также подают в предварительно обученную вторую U-Net-подобную сеть для сегментации объёмных образований печени с получением пакетов 2D-масок вероятностей для каждого класса патологий. На этапе постпроцессинга формируют бинарные маски: 3D-маску объёмных образований, объединяющую классы и 3D-маску печени. Далее на основе полученной 3D-маски объемных образований создают облако точек , которое подвергают кластеризации с использованием алгоритма DBSCAN с получением набора кластеров. Для каждого кластера формируют ограничивающую поверхность с последующей фильтрацией полученных ограничивающих поверхностей - по средней вероятности по маскам классов внутри каждой ограничивающей поверхности, по геометрическим размерам и по анатомической принадлежности с использованием 3D-маски сегментации печени. Далее осуществляют классификацию оставшихся ограничивающих поверхностей, при этом для каждой оставшейся ограничивающей поверхности находят соответствующую ей сферическую область в 3D-маске вероятностей сегментации объёмных образований, для которой формируют гистограммы распределения вероятностей классов ДНО, ЗНО, «прочее», «норма», которые подают на вход предобученного классификатора с получением вероятности принадлежности оставшихся после фильтрации ограничивающих поверхностей к одному из четырех классов: ДНО, ЗНО, «прочее», «норма» и формированием индексной маски. Группа изобретений обеспечивает выявление объемных образований печени на МРТ-изображениях печени с высокой точностью при оптимизации вычислительных ресурсов. 2 н. и 17 з.п. ф-лы, 7 ил., 1 табл.

Описание [1] Область техники, к которой относится изобретение [2] Изобретение относится к области медицины, в частности, к обработке МРТ-изображений абдоминальной области, и может быть использовано для поддержки принятия врачебных решений при диагностике как опухолевых, так и неопухолевых образований печени. Изобретение позволяет с высокой точностью выявлять объемные образования печени, оценивать вероятность злокачественности по результатам анализа МРТ-последовательностей T2-взвешенных изображений (Т2-ВИ), T1-взвешенных изображений (Т1-ВИ), артериальной фазы (АФ), равновесной фазы (РФ) и диффузионно-взвешенных изображений (ДВИ), а также производить измерения их формы, объема на основе нейросетевого анализа изображений. В частности, предложенные способ и система обеспечивают высокоточное выявление злокачественных и доброкачественных образований печени, а также иных объёмных образований печени. [3] Уровень техники [4] Опухолевые и неопухолевые образования печени представляют значимую клиническую проблему, при этом их своевременная и точная диагностика влияет на выбор корректной тактики лечения, прогноз выживаемости и качество жизни пациента. По данным международных исследований распространённость таких поражений составляет значительный процент от всех онкологических и гепатологических патологий, при этом в ряде случаев они выявляются на поздних стадиях вследствие бессимптомного течения или трудностей интерпретации данных лучевых методов исследования ([BMJ Open], https://doi.org/10.1136/bmjopen-2023-082287). [5] Мультипараметрическая магнитно-резонансная томография (МРТ) печени, включающая T2-взвешенные изображения (T2-ВИ), T1-взвешенные изображения (T1-ВИ), изображения, полученные в артериальную фазу (АФ), равновесную фазу (РФ) и диффузионно-взвешенные изображения (ДВИ), признана «золотым стандартом» визуализации и дифференциальной диагностики различных образований печени. Однако ручная интерпретация таких исследований требует дополнительного обучения персонала, занимает значительное время, может сопровождаться значимым числом ошибок ([Eur Radiol], https://doi.org/10.1007/s00330-020-07266-x ). На этом фоне активно развиваются алгоритмы автоматизированного анализа изображений с использованием методов искусственного интеллекта (ИИ).Ι [6] Интеграция алгоритмов ИИ, машинного обучения и глубокого обучения в радиологические рабочие процессы показала значительные перспективы в широком спектре заболеваний печени. Ключевые области применения включают автоматическую сегментацию печени на компьютерной томографии (КТ) и магнитно-резонансной томографии (МРТ), что позволяет точно определять объем печени и локализацию объемных образований. ИИ облегчает обнаружение и количественную оценку стеатоза печени в рамках метаболически-ассоциированной жировой болезни печени (MASLD) с использованием расширенного анализа изображений УЗИ, КТ и МРТ, предоставляя неинвазивную альтернативу биопсии. Алгоритмы ИИ также демонстрируют высокую эффективность в обнаружении, классификации и характеристике очаговых поражений печени, таких как гемангиома, очаговая узловая гиперплазия, гепатоцеллюлярная карцинома (ГЦК) и метастазы, улучшая визуализацию поражений, стандартизируя отчетность с помощью LI-RADS и снижая вариабельность наблюдений. Несмотря на эти достижения, клиническое внедрение ИИ связано с серьезными проблемами, включая необходимость гармонизации данных между сканерами и учреждениями, необходимость валидации в различных группах пациентов, получение одобрения регуляторных органов, этические аспекты - необходимость соблюдения конфиденциальности о пациентах, алгоритмическую предвзятость, требования к прозрачности. (Шритик Девкота, Хариш Бхуджаде, Навин Калра. Революция в визуализации печени: достижения в диагностике и стадировании заболеваний благодаря искусственному интеллекту. Журнал клинической и экспериментальной гепатологии. Том 16, выпуск 2, март-апрель 2026 г., 103439, https://www.sciencedirect.com/science/article/abs/pii/S0973688325009399). Кроме того, автоматический анализ МРТ-изображений характеризуется определенными техническими сложностями. В клинической практике базовые МРТ-последовательности такие, как Т2-ВИ, Т1-ВИ, АФ, РФ, ДВИ выполняют специализированные роли в цепочке обработки изображений и служат для анатомической визуализации печени, оценки структуры ее паренхимы, выявления и дифференциальной диагностики различных ее очаговых образований. [7] Все это указывает на необходимость разработки систем автоматической диагностики, способных к интеграции информации из различных модальностей для постановки окончательного диагноза. [8] Из уровня техники известны подходы, связанные со слиянием мультимодальных данных, которые условно делятся на три категории: раннее, промежуточное и позднее слияние. При раннем слиянии (early fusion) изображения из разных последовательностей объединяются на уровне входного тензора и подаются в нейросеть, как многоканальные данные. Такое объединение требует точного совмещения изображений и наличия всех модальностей. Промежуточное слияние (intermediate fusion) осуществляется на уровне энкодеров: каждая модальность проходит свою ветвь сети, а объединение признаков происходит в срединных слоях, что усложняет архитектуру, снижает вычислительную эффективность, вводит больше параметров и приводит к таким проблемам, как переобучение, увеличение времени обучения и инференса [Lecture Notes in Computer Science], https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123600035.pdf). Позднее слияние (late fusion) предполагает независимую обработку каждой модальности и объединение прогнозов независимо обученных моделей для каждой модальности, что повышает устойчивость к отсутствию одной из последовательностей и делает результат более интерпретируемым, однако устраняет межмодальные корреляции ([Radiat Oncol], https://ro-journal.biomedcentral.com/articles/10.1186/s13014-024-02471-0). [9] Из уровня техники известны различные способы и системы для выявления патологий органов на МРТ-изображениях с помощью искусственного интеллекта, основанного на использовании известных нейросетевых моделей, включая U-Net подобные нейронные сети, и подходов, связанных со слиянием мультимодальных данных. [10] Известен способ выявления злокачественных новообразований, согласно которому на МРТ-изображении целевого органа осуществляют выделение области опухоли с последующей подачей автоматически вырезанного изображения в классификатор, определяющий его злокачественность ([Scientific Reports], https://doi.org/10.1038/s41598-023-29814-3 ). Данное решение использует для определения типа опухоли классификатор, который менее эффективно извлекает обучающий сигнал по сравнению с сетью сегментации. Также данное решение не анализирует трехмерную пространственную информацию и не может корректно обрабатывать в случае с множественными образованиями каждое образование отдельно из-за простого усреднения результатов классификации по различным срезам и сериям. [11] Известен способ выявления злокачественных новообразований на МРТ-изображениях ([Cancer Imaging], https://doi.org/10.1186/s40644-025-00850-8), основанный на использовании 3D U-Net-подобной нейронной сети. В отличие от предыдущего, данное решение учитывает всю пространственную информацию одной серии изображений, однако данное решение не позволяет интегрировать информацию из различных МРТ серий. В известном способе осуществляется сегментация различных типов злокачественных опухолей без дифференцирования различных типов образований. Кроме того, для получения базовой маски сегментации используется 3D U-Net-подобная сеть, которая является более требовательной к вычислительным ресурсам. [12] Кроме того, для всех перечисленных выше решений производится сегментация опухолей, когда их наличие было априорно известно. В известных решениях отсутствует постпроцессинг на основе DBSCAN и построения ограничивающих поверхностей для уточнения результатов сегментации и подавления ложноположительных находок, то есть, не реализована задача детекции. Кроме того, все описанные выше решения не осуществляют детекцию и классификацию различных типов образований, не обеспечивают представление пользователю результата диагностики в удобном, информативном и интуитивно понятном виде, возможном для использования врачами разного уровня подготовки. Кроме того, большинство описанных решений не осуществляют анатомическую привязку выявленных образований к органу, не поддерживают полноценную интеграцию с клиническими PACS/RIS-системами, не формируют отчеты в формате DICOM (включая Secondary Capture и Structured Report). [13] Известны способ и система для выявления объемных образований органов малого таза на МРТ-изображениях (RU 2814790). Способ включает получение МРТ-изображений целевого органа малого таза в формате набора DICOM файлов, два этапа обработки МРТ-изображений с использованием алгоритмов искусственного интеллекта и моделей машинного обучения, по результатам которой делают вывод о наличии или отсутствии поражения целевого органа малого таза. На первом этапе обработки МРТ-изображений отбирают серии изображений в аксиальной или косой аксиальной проекции, включая серию Т2-взвешенных изображений, а именно: отбирают серию Т2-взвешенных изображений и, по меньшей мере, одну серию из перечисленных: диффузионно-взвешенные изображения, изображения с картами измеряемого коэффициента диффузии (ИКД), изображения с динамическим контрастным усилением, Т1-взвешенные изображения; осуществляют анатомическую синхронизацию изображений из отобранных серий посредством пространственного объединения каждого изображения из серии Т2-взвешенных изображений с соответствующим или ближайшим к нему изображением из других серий с использованием метаданных DICOM файлов и/или анатомических ориентиров. Пространственное объединение изображений осуществляют посредством установления соответствия изображений на одном уровне из разных серий между собой. Полученные изображения в виде одного пакета передают на второй этап обработки МРТ-изображений. На втором этапе обработку полученных изображений осуществляют в следующей последовательности: сначала обрабатывают синхронизированные изображения моделью машинного обучения, выполненной с возможностью предварительной классификации целевого органа малого таза и получением результата классификации в виде вероятности наличия или отсутствия на конкретном изображении целевого органа малого таза; далее данные изображения параллельно обрабатывают, по меньшей мере, одной моделью бинарной классификации, обученной на выявление наличия злокачественного новообразования целевого органа малого таза, также двумя моделями сегментации и одной моделью детекции с обеспечением комплексного анализа изображений и графического представления области с патологическими изменениями, при этом первая из упомянутых двух моделей сегментации выполнена с возможностью формирования графического контура целевого органа малого таза и определения его объема; вторая модель сегментации выполнена с возможностью сегментации анатомических зон и/или слоёв и/или областей целевого органа малого таза; модель детекции выполнена с возможностью определения области патологических изменений и сегментации выявленной области с цветовым выделением полученных сегментов. Вывод о наличии или отсутствии злокачественного новообразования целевого органа малого таза делают при совпадении результатов обработки изображений моделью бинарной классификации и моделями сегментации и детекции. В случае отсутствия совпадения по исследуемому изображению осуществляют обработку моделями сегментации и детекции соседних изображений, и в случае выявления, по меньшей мере, на одном изображении патологического очага, делают вывод о наличии злокачественного новообразования целевого органа малого таза. Полученные результаты второго этапа обработки изображений представляют собой множество масок в виде набора изображений сегментов анатомических областей и областей с патологическими изменениями, содержащих координаты и сохраненную размерность исходного изображения из сервера медицинского учреждения. Изобретение направлено на повышение точности выявления онкозаболеваний малого таза. [14] Однако, в известном решении (патент RU 2814790) сегментация, детекция и классификация осуществляются отдельными сетями, причем для обнаружения участка патологии используется сеть-детектор, а сети сегментации используются только для определения границ органа и его анатомических зон. Это приводит к снижению эффективности извлечения обучающего сигнала из обучающих данных по сравнению с обучением нейронной сети для сегментации патологии. Кроме того, в известном решении не проводится анализ изображений в сагиттальной и фронтальной проекциях, что приводит к потере объемной информации. Кроме того, в известном решении не проводится постпроцессинг на основе DBSCAN и построения ограничивающих поверхностей, способный исправлять дефекты сегментации и увеличивать точность детекции отдельных образований. Все это приводит к снижению метрик качества сегментации и детекции патологических образований по сравнению с детекцией образований на основе масок сегментации с последующим постпроцессингом. Дополнительно это усложняет итоговую архитектуру системы. Известное решение основано на использовании раннего слияния информации между сериями, что снижает интерпретируемость результатов работы нейронных сетей по сравнению с поздним слиянием. Пространственная синхронизация, необходимая для корректного осуществления раннего слияния, осуществляется за счет использования информации из DICOM файлов и поиска на изображениях из разных серий соответствия общих признаков, включая контуры, линии, точки, что может приводить к непредсказуемому поведению известного решения при ошибочных DICOM, или отсутствующих тегах, или при наличии артефактов на изображении. Кроме того, точное совмещение полученных МРТ-изображений органов может быть невозможным из-за их естественной подвижности и изменчивости в процессе проведения МРТ исследования с получением необходимых серий МРТ-изображений. Кроме того, использование нейронных сетей для раннего слияния связано с дополнительными трудозатратами для подготовки обучающих датасетов из-за требования точного совмещения изображений в разных сериях, и в случае наличия дефектов совмещения изображений может приводить к снижению робастности обученных моделей классификации, сегментации и детекции. Все это приводит к уменьшению метрик качества и надежности системы. Кроме того, известное решение ориентировано на сегментацию, детекцию и классификацию только злокачественных опухолей органов малого таза и не осуществляет дифференцирование ЗНО, ДНО, прочих образований и нормальной ткани в печени. [15] Наиболее близким к заявленному решению является способ сегментации печени и опухолевых образований печени по данным магнитно-резонансной томографии с контрастным усилением с применением методов глубокого обучения, описанный в работе [Mahmoudi A. et al. Comparative Analysis of Deep Learning Architectures for Liver and Tumor Segmentation in MRI. Diagnostics, 2026, том 16, выпуск 5, статья 649, https://www.mdpi.com/2075-4418/16/5/649#:~:text=Abstract,(Dice:%200.892)%20segmentation]. Согласно указанному способу осуществляют последовательно следующие этапы: формирование обучающей, валидационной и тестовой выборок на основе набора контрастно-усиленных МР-изображений; предварительную обработку изображений, включающую приведение к единому формату, нормализацию интенсивности и выравнивание пространственной ориентации; обучение нейросетевой модели с применением функций потерь, учитывающих весовые коэффициенты классов, и аугментации данных; инференс на полном объёме исследования с одновременной многоклассовой сегментацией областей «печень» и «опухоль». Двумерные нейросетевые архитектуры реализованы в указанном способе как сети типа U-Net и ResUNet с симметричной структурой «кодировщик-декодировщик» и пропускными соединениями между соответствующими уровнями; ResUNet дополнительно содержит остаточные связи в блоках свёртки, обеспечивающие распространение градиента в глубоких слоях и сохранение границ объектов сегментации. Для обучения двумерных моделей трёхмерные МР-исследования каждого пациента предварительно нарезают на двумерные аксиальные срезы, приводят к фиксированному разрешению и нормализуют по диапазону интенсивности; маски печени и опухолевых образований кодируют в виде раздельных каналов выходного тензора для обеспечения многоклассовой сегментации. В обучающую выборку включают только срезы, содержащие ткань печени, при этом срезы с опухолевыми клетками подвергаются повышенной выборке для компенсации дисбаланса классов; применяют стандартные методы аугментации данных (повороты, отражения, масштабирование) и взвешенную функцию потерь Dice с повышенным весовым коэффициентом для канала опухоли относительно каналов печени и фона. Инференс двумерной модели в указанном способе осуществляется путём последовательной обработки всех аксиальных срезов исследования (включая срезы, не содержащие опухолевой ткани) с независимым предсказанием маски для каждого среза и последующим объединением полученных двумерных масок в трёхмерный объём по аксиальной оси без применения проекций по другим направлениям сканирования и без межсрезовой согласованности предсказаний. В указанном способе различные фазы контрастирования (артериальная, венозная и отсроченная) обрабатываются как независимые одноканальные карты интенсивности и не объединяются в многоканальный входной тензор; итоговая сегментация формируется на выходе единой нейросетевой модели в виде масок классов «печень» и «опухоль» без последующего постпроцессинга и без раздельной классификации выявленных образований. В качестве нейросетевых моделей в указанном способе исследованы двумерные и объёмные архитектуры на основе свёрточных нейронных сетей. [16] Однако, известный способ характеризуется определенными недостатками. Во-первых, способ предусматривает использование единой нейросетевой модели, выполняющей одновременно задачи сегментации печени и выделения опухолевых образований, что приводит к жёсткой зависимости качества выявления образования от точности сегментации органа и не позволяет независимо оптимизировать и контролировать указанные процессы. Во-вторых, для достижения приемлемой точности на малоконтрастных и небольших по размеру образованиях способ требует применения объёмных трёхмерных свёрточных архитектур, что сопряжено со значительными вычислительными затратами и предъявляет повышенные требования к объёму оперативной памяти графического процессора, тогда как двумерные архитектуры по указанному способу демонстрируют сниженную точность выявления таких образований. В-третьих, инференс в указанном способе осуществляется по аксиальным срезам единственного направления без учёта пространственной непрерывности по сагиттальной и корональной осям, что снижает устойчивость выявления образований произвольной формы и ориентации. В-четвёртых, способ использует единственную модальность входных данных - контрастно-усиленные МР-изображения с обработкой различных фаз как независимых одноканальных входов - и не предусматривает совместного использования нескольких МР-последовательностей, что ограничивает диагностическую информативность при выявлении неопухолевых образований и образований различной природы. В-пятых, итоговая сегментация формируется непосредственно на выходе нейросетевой модели без этапа постпроцессинга, обеспечивающего фильтрацию ложноположительных срабатываний по геометрическим, вероятностным и анатомическим критериям, в результате чего ложноположительные срабатывания, характерные для нейросетевой сегментации, переносятся в итоговый результат без раздельной классификации выявленных образований. [17] Заявленное изобретение устраняет указанные недостатки за счёт применения архитектуры с двумя независимыми нейронными сетями (Net-1 для сегментации печени и Net-2 для выявления и классификации патологий) и алгоритма позднего слияния их выходных данных; использования двумерного инференса по нескольким ортогональным и диагональным осям с последующим обратным поворотом и усреднением масок, что обеспечивает точность, сопоставимую с трёхмерными архитектурами, при существенно меньших вычислительных затратах; совместного анализа пяти МР-последовательностей (Т2-ВИ, Т1-ВИ, изображений артериальной фазы, равновесной фазы и диффузионно-взвешенных изображений); а также введения этапа постпроцессинга, включающего кластеризацию методом DBSCAN, построение и фильтрацию ограничивающих поверхностей выявленных областей по геометрическим, вероятностным и анатомическим критериям и последующую классификацию каждой выявленной области с помощью предобученного классификатора по гистограмме вероятностей классов, что повышает точность выявления и классификации объёмных образований печени, в том числе образований малого размера и низкоконтрастных образований, и снижает долю ложноположительных срабатываний. [18] Таким образом, из уровня техники не известны системы, одновременно реализующие интеграцию визуальной информации по всему объему и между сериями МРТ для осуществления детекции, сегментации и классификации доброкачественных и злокачественных новообразований с высокой точностью и при экономии вычислительных ресурсов. [19] Технической проблемой, решаемой заявленным изобретением, является повышение точности диагностики заболеваний печени по результатам анализа МРТ-изображений печени, включая выявление объёмных образований печени, дифференциацию между злокачественными и доброкачественными новообразованиями, а также прочими изменениями, при экономии вычислительных ресурсов. Заявленное изобретение устраняет ограничения и описанные выше недостатки известных аналогов, объединяя перечисленные функции в единую систему, что обеспечивает повышение точности, интерпретируемости, воспроизводимости и клинической применимости автоматизированной диагностики образований печени по данным МРТ. [20] Раскрытие изобретения [21] Техническим результатом является выявление объемных образований печени на МРТ-изображениях печени с высокой точностью с использованием детекции, сегментации, классификации доброкачественных (ДНО), злокачественных (ЗНО), прочих образований и нормальной ткани печени, за счет разработанных этапов, включающих послойную обработку трехмерных изображений 2D - unet-подобными нейронными сетями в нескольких проекциях отдельно каждой серии - пяти МР-последовательностей (Т2-ВИ, Т1-ВИ, АФ, РФ, ДВИ), и постпроцессинга получившихся масок с обнаружением отдельных образований, их классификацией и уточнением границ. [22] Технический результат достигается при осуществлении способа выявления объемных образований печени на МРТ-изображениях, включающего следующие последовательно реализуемые этапы: этап отбора из исходного пакета МРТ-изображений целевого органа пациента в формате DICOM: пяти МР-последовательностей (Т2-ВИ, Т1-ВИ, АФ, РФ, ДВИ). Результаты сети Net-1 (далее - маски Net-1) используют для сегментации органа, результаты сети Net-2 (далее - маски Net-2) - для классификации патологий , с последующей передачей их в блок хранения и архивации DICOM изображений, этап препроцессинга загруженных изображений, этап анализа изображений с использованием алгоритма на основе нейронных сетей, этап постпроцессинга результатов анализа изображений, этап формирования отчета, содержащего дополнительные серии DICOM изображений с визуализированными патологиями (SC) и текстовые отчеты с описанием патологий (SR). [23] При этом на этапе препроцессинга полученный набор МРТ-изображений всех пяти МР-последовательностей серии в формате DICOM сортируют по порядковому номеру DICOM изображения, например, используя DICOM тэг InstanceNumber, после чего каждое изображение в группе предобрабатывают, приводя значения вокселей в диапазон от 0 до 1, используя min-max нормализацию, и добавляют в заранее созданный массив упорядоченных изображений под собственным номером, получая упорядоченные группы изображений. Полученные упорядоченные группы изображений конкатенируют в единые 3D-изображения каждой из пяти МР-последовательностей (серий). [24] На этапе анализа изображений с использованием алгоритма на основе нейронных сетей полученные единые 3D-изображения каждой из пяти МР-последовательностей анализируют независимо друг от друга. Единое 3D-изображение каждой из пяти МР-последовательностей нарезают вдоль выбранных осей на слои, например, с шагом до 3 пикселей, при этом используют, по меньшей мере, три основные оси координат (X, Y, Z), набор слоев по каждой оси объединяют в пакеты изображений (batches); далее пакеты изображений (batches) всех 5 МР-последовательностей подают в предварительно обученную первую U-Net-подобную сеть для сегментации органа печени (в дальнейшем Net-1) с получением 3D-масок вероятностей для класса «печень». Маски, полученные из разных направлений, приводят к исходной ориентации обратным поворотом и усредняют, формируя итоговые 3D-маски вероятностей сегментации печени. [25] Единое 3D-изображения всех пяти серий также нарезают по выбранным осям, например, с шагом до 3 пикселей, объединяют в пакеты (batches) и подают в нейросетевую модель для определения типа патологии (в дальнейшем Net-2). Модель формирует 3D-маски вероятностей классов: «злокачественное новообразование» (ЗНО), «доброкачественное новообразование» (ДНО), «прочее», «норма». Маски, полученные в разных направлениях, приводят к исходной ориентации обратным поворотом и усредняют, формируют итоговые 3D-маски вероятностей Net-2 серии. [26] На этапе постпроцессинга на основе 3D-масок вероятностей Net-2 серии формы (num_classes, x, y, z) формируют бинарные маски: 3D-маску патологий формы (x, y, z), объединяющую классы «ДНО», «ЗНО» и «прочее», и 3D-маску печени. [27] На основе полученной 3D-маски патологий создают облако точек, которое подвергают кластеризации с использованием алгоритма DBSCAN с получением набора кластеров; для каждого кластера формируют ограничивающую поверхность с последующей фильтрацией полученных ограничивающих поверхностей - по средней вероятности по маскам классов «ДНО», «ЗНО» и «прочее» внутри каждой ограничивающей поверхности, по геометрическим размерам - с использованием сравнения максимального и минимального линейных размеров поверхности, и по анатомической принадлежности - с использованием 3D-маски печени. [28] Классификацию оставшихся ограничивающих поверхностей производят следующим образом: для каждой оставшейся ограничивающей поверхности находят сферическую область в 3D-маске вероятностей Net-2 серии, соответствующую ограничивающей поверхности, для данной области формируют гистограмму распределения вероятностей классов - ЗНО, ДНО, прочее, норма, которую подают на вход предобученного классификатора с получением вероятности принадлежности оставшихся после фильтрации ограничивающих поверхностей к одному из четырех классов: ЗНО, ДНО, прочее, норма, а также с формированием индексной маски. [29] В отдельных вариантах реализации изобретения при осуществлении конкретных этапов или шагов могут быть использованы различные инструменты, средства и методы обработки данных. [30] Например, на этапе анализа изображений в качестве осей нарезки могут быть использованы дополнительные диагональные оси; для каждой оси, вдоль которой нарезают 3D-изображение исследуемой области на слои, предпочтительно использовать алгоритм поворота, основанный на применении матрицы поворота к 3D-изображению исследуемой области; объединение полученных масок вероятностей классов анатомических структур и патологических образований осуществляют следующим образом: для каждой маски вероятностей, полученной в результате анализа 3D-изображения, нарезанного вдоль соответствующей оси, находят обратную матрицу к матрице поворота и применяют её к соответствующей маске, полученные после обратного поворота маски вероятностей для каждой оси усредняют. [31] В одном из вариантов осуществления изобретения на этапе постпроцессинга формирование бинарных масок осуществляют следующим образом: для масок вероятностей, соответствующих классам "ДНО", "ЗНО" и "прочее" в 3D-маске; облако точек на основе бинаризированной 3D-маски патологии создают с применением функции argwhere библиотеки numpy; облако точек на основе бинаризированной 3D-маски вероятностей печени создают с применением функции argwhere библиотеки numpy; кластеризацию алгоритмом DBSCAN на облаке точек осуществляют с вызовом метода cluster_dbscan экземпляра класса PointCloud библиотеки Open3d, с получением набора кластеров точек с уникальными метками; ограничивающие поверхности строят методом выпуклой оболочки с последующей триангуляцией методом Делоне и определением внутренних точек результирующих тетраэдров; в частности, ограничивающую поверхность для каждого кластера создают следующим образом: все точки отдельного кластера по его уникальной метке передают как изолированный набор точек в алгоритм поиска выпуклой поверхности или альфа-поверхности библиотеки Open3d с получением объекта ограничивающей поверхности, содержащего поля вершин и полигонов поверхности. [32] Кроме того, на этапе постпроцессинга возможно использование различных средств фильтрации ограничивающих поверхностей. [33] В одном из вариантов осуществления изобретения определяют среднюю вероятность внутри каждой ограничивающей поверхности, для последующей фильтрации осуществляют выделение множества внутренних точек или вокселей 3D-маски вероятностей сегментации объёмных образований, находящихся внутри ограничивающей поверхности, для выделенных вокселей или множества внутренних точек вычисляют средние значения вероятностей по классам «ДНО», «ЗНО» и «прочее», полученные средние значения вероятностей сравнивают со вторым пороговым значением с последующим удалением множества внутренних точек или вокселей и соответствующего этому множеству ограничивающей поверхности, если данная вероятность ниже второго порогового значения. [34] Геометрическая фильтрация ограничивающих поверхностей может быть реализована следующим образом: для каждой ограничивающей поверхности вычисляют её геометрические размеры - ширину, высоту, длину, или находят вертикальный, горизонтальный и продольный размеры, далее определяют минимальный размер и максимальный размер, далее находят отношение максимального и минимального размеров, если отношение максимального и минимального размеров больше заданного значения, то это интерпретируют как несоответствие формы выпуклой поверхности априорным ожиданиям о форме опухоли или неопухолевого образования, и ограничивающую поверхность удаляют. [35] Фильтрация по анатомической принадлежности может быть реализована следующим образом: сначала на основе полученной 3D-маски печени создают облако точек, для облака точек вычисляют средние значения координат по осям X, Y, Z - центр печени, и стандартное отклонение координат от центра, которое интерпретируют как ожидаемый размер печени; далее для каждой оставшейся ограничивающей поверхности после проведённых ранее этапов фильтрации вычисляют геометрический центр, находят эвклидово расстояние от центра ограничивающей поверхности до центра печени, если минимальное расстояние превышает удвоенное стандартное отклонение печени, ограничивающую поверхность удаляют как не относящуюся к печени. [36] На этапе постпроцессинга при классификации оставшихся ограничивающих поверхностей после проведенной фильтрации в качестве предобученного классификатора может быть использован AdaBoost. [37] Для индексации объектов (построения индексной маски) каждому вокселю внутри поверхности присваивают уникальный индекс, а в двухуровневый словарь под соответствующим уникальным индексом вписывают параметры: класс, объём, размеры и вероятность. SC-срезы строят по индексной маске с наложением контуров, SR-отчёт связан с исходными DICOM-срезами и двухуровневым словарем. [38] Индексную маску в конкретном варианте осуществления изобретения создают следующим образом: для каждой ограничивающей поверхности пиксели, лежащие внутри поверхности с индексом i, заполняют уникальными для поверхности числами типа int, равными i + 1, ключами двухуровневого словаря являются индексы поверхностей, увеличенные на единицу, а соответствующими значениями являются словари характеристик ограничивающих поверхностей. [39] В одном из вариантов реализации изобретения для отчета формируют дополнительные серии DICOM изображений с визуализированными патологиями (SC) и текстовые отчеты с описанием патологий (SR), создают DICOM изображение дополнительной серии, выбирают соответствующий порядковому номеру изображения срез индексной маски, на основе среза индексной маски визуализируют патологии на DICOM изображении дополнительной серии, на основе двухуровневого словаря оставшихся поверхностей создают текстовый отчет. [40] Технический результат достигается также при осуществлении системы для выявления объемных образований печени на магнитно-резонансной томографии (медицинских изображениях), включающей устройство для определения патологии, которое представляет собой удаленный сервер с размещенными на нем блоками: блоком хранения и архивации исходных DICOM изображений и результатов, блоком препроцессинга исходных DICOM изображений, блоком обработки изображений алгоритмом на основе нейронных сетей, блоком постпроцессинга, блоком визуализации и формирования отчетов, при этом упомянутые блоки выполнены с возможностью осуществления предприсанных им функций. [41] В частности, блок хранения и архивации DICOM-данных выполнен с возможностью принятия пакетов изображений, поступающих от сканера или PACS-системы, сохранения их в файловой системе или базе данных и обеспечения быстрого доступа к изображениям Net-1 и Net-2 серий, а также к сформированным результатам - SC- и SR-файлам. [42] Блок препроцессинга выполнен с возможностью группировки входящих файлов по номеру серии, min-max нормализации изображений, сортировки срезов по порядковому номеру и конкатенации их в единые 3D-изображения каждой из пяти МР-последовательностей. [43] Блок обработки изображений алгоритмом на основе нейронных сетей (или анализа изображений с использованием алгоритма на основе нейронных сетей) выполнен с возможностью нарезки единых 3D-изображений каждой из пяти МР-последовательностей вдоль, как минимум, трёх ортогональных осей (при необходимости добавляя диагональные), формирования пакетов срезов (batch'ей) и подачи их в соответствующие нейросетевые модели. При этом данный блок выполнен с возможностью обработки срезов из пяти серий через Net-1 серии сетью Net-1, которая сегментирует класс «печень», а также обработки тех же срезов через Net-2 серии сетью Net-2, которая сегментирует классы: злокачественное новообразование, доброкачественное новообразование, прочее, норма. При этом блок анализа изображений выполнен с возможностью обратного поворота к исходной ориентации и усреднения масок, полученных для каждой серии. [44] Блок постпроцессинга выполнен с возможностью бинаризации 3D-масок вероятностей сегментации печени и сегментации объёмных образований, создания облака точек, выполнения кластеризации методом DBSCAN, построения для каждого кластера ограничивающей поверхности и фильтрации тех поверхностей, которые не соответствуют геометрическим критериям или имеют вероятность ниже установленного порога, соотнесения с печенью на основе расстояния до центра 3D-маски печени, извлечения для образований в окрестности соответствующей поверхности гистограмм вероятностей четырёх классов из 3D-масок вероятностей Net-2 серии и последующей классификацией объекта с помощью AdaBoost, а также формированием индексной маски и двухуровневого словаря метаданных о каждой поверхности. [45] Блок визуализации и формирования отчетов выполнен с возможностью создания DICOM изображения дополнительной серии, выбора соответствующего порядковому номеру изображения среза индексной маски, визуализации патологии на DICOM изображении дополнительной серии, создания текстового отчета на основе двухуровневого словаря, отправки сформированных отчетов в блок хранения и архивации исходных DICOM изображений и результатов. [46] Данная архитектура обеспечивает полную автоматизацию обработки - от приёма изображений до формирования готового отчёта в визуальной и табличной форме, при этом сохраняется умеренная нагрузка на вычислительные ресурсы за счёт 2D-инференса и оптимизированных этапов анализа. [47] Технический результат в заявленном изобретении достигается за счет использования нового алгоритма позднего слияния данных от двух независимых сетей сегментации. В заявленном решении маска предсказаний одной из нейронных сетей служит для сегментации анатомических структур. Постпроцессинг этой маски сегментации позволяет выделить отдельные изолированные объекты искомых классов с высокой точностью, а гистограммы вероятностей, полученные из окрестности сегментированного объекта в сопряженной маске сегментации (Net-2 серии), служат для уточнения класса каждого изолированного объекта отдельно с помощью алгоритма adaboost. Таким образом информация о границах печени извлекается только из масок Net-1, устраняя необходимость в точном совмещении объектов, а уточняющая информация о типе образования извлекается из сопряженных масок Net-2 без жестких требований к пространственному совпадению. За счет этого обеспечивается вычислительно эффективное, контролируемое слияние признаков нескольких модальностей, повышающее точность классификации каждого найденного образования. [48] Процесс определения области для извлечения гистограмм вероятностей из масок Net-2 требует предварительной детекции трехмерных объектов. Данная операция осуществляется на основе постпроцессинга бинаризированных масок Net-2, с последующей кластеризацией с использованием DBSCAN и построением ограничивающих поверхностей на основе полученных кластеров, а также на основе оценки средней вероятности маски внутри ограничивающих поверхностей и фильтрации их по этому порогу. Предлагаемый подход позволяет увеличить точность детекции и сегментации, отсеять ложные срабатывания и артефакты. [49] Таким образом, высокая точность выявления объемных образований печени при умеренных вычислительных затратах и ограниченном объёме размеченных данных достигается благодаря совокупности следующих ключевых аспектов: [50] - использования 2D-инференса в нескольких измерениях; каждая из пяти МРТ-последовательностей - Т2-взвешенных изображений (Т2-ВИ), Т1-взвешенных изображений (Т1-ВИ), артериальной фазы (АФ), равновесной фазы (РФ) и диффузионно-взвешенных изображений (ДВИ), анализируется по двумерным срезам в трех ортогональных и, при необходимости, диагональных плоскостях; по результатам инференса выполняется обратный поворот и усреднение, что позволяет отказаться от более требовательных к вычислительным ресурсам 3D сверточных нейросетей, при сохранении сопоставимых итоговых метрик качества сегментации. [51] - реализации каскадной схемы «сегментация → детекция → классификация»; детекцию, сегментацию и классификацию злокачественных и доброкачественных образований, а также определение типа образования, осуществляют на основе данных Net-2 серии путем извлечения гистограмм вероятностей в заданной окрестности и классификацию с помощью AdaBoost. [52] - применения многоступенчатого постпроцессинга Net-2 серии, который включает бинаризацию масок вероятностей, генерацию облака точек, кластеризацию DBSCAN, построение ограничивающих поверхностей, фильтрацию по геометрической форме и вероятности, привязку к печени по расстоянию до центра. [53] Все указанные аспекты в совокупности обеспечивают высокую точность сегментации, надежность детекции и достоверную классификацию патологий печени при сниженных требованиях к вычислительным ресурсам; позволяют сократить количество ложных срабатываний, снизить риск диагностических ошибок и легко интегрировать решение в существующие клинические системы хранения и визуализации (PACS/RIS). Система работает с пятью стандартными МРТ-последовательностями и возвращает результат в интуитивно понятной форме, что делает её пригодной для врачей с различным уровнем подготовки. [54] Дополнительным преимуществом данного изобретения, является возможность генерации компактного текстового отчета, содержащего краткое описание результатов анализа МРТ исследования, включающее описание анатомической локализации, типа, размеров, плотностных характеристик каждого найденного образования, а не только визуализация найденных образований с указанием типа патологии, что улучшает пользовательский опыт. [55] Разработанные способ и система для выявления объемных образований печени относятся к системам поддержки принятия врачебных решений (СППВР), обеспечивающим быструю и качественную обработку исследования с получением детализированных результатов анализа о наличии или отсутствии патологии в печени с использованием пяти МР-последовательностей (Т2-ВИ, Т1-ВИ, АФ, РФ, ДВИ); представляющим полученные результаты обработки врачу в компактной форме с текстовым описанием, включающим описание локализации объемного образования (в случае его выявления) с детализацией визуальных характеристик каждого образования, и визуализацией каждого образования отдельным контуром на каждом изображении дополнительной серии, с дополнительным указанием размеров. [56] Краткое описание чертежей [57] Изобретение сопровождается иллюстративными материалами, которые поясняют ключевые этапы работы системы. [58] На фигуре 1 показана блок-схема реализации изобретения, демонстрирующая архитектуру технического решения и взаимосвязь компонентов системы. Изобретение может найти воплощение в виде программного продукта, который может быть установлен на удаленный сервер медицинской организации с возможностью удаленного доступа, при этом программный продукт содержит блок хранения и архивации исходных DICOM изображений и результатов, обладающий Web-интерфейсом, авторизация в котором происходит посредством ввода логина и пароля пользователя, блок обработки изображений алгоритмом на основе нейронных сетей, брокер сообщений, распределяющий выполнение обработки пакетов блоком обработки изображений алгоритмом на основе нейронных сетей и блок общего хранилища. [59] На фигуре 2 показана блок-схема реализации изобретения, демонстрирующая пошаговое преобразование исходных DICOM изображений на этапе Dicom - препроцессинга. [60] На фигуре 3 показана блок-схема, демонстрирующая пошаговое преобразование данных на этапе обработки 3D-изображения исследуемой области алгоритмом обработки изображений на основе нейронных сетей. [61] На фигуре 4 показана блок-схема реализации изобретения, демонстрирующая алгоритм постпроцессинга. [62] На фигуре 5 проиллюстрировано поэтапное преобразование 3D-изображения исследуемой анатомической области к 3D-маске сегментации. Нарезка изображения показана схематично с целью демонстрации принципа анализа 3D-изображения 2D-Unet-подобной нейронной сетью. Данная иллюстрация не отражает технических деталей реализации принципа, а именно, использования матрицы поворота и обратной матрицы поворота для ориентации изображения перед нарезкой на двумерные срезы. В конкретной технической реализации 3D-изображение поворачивают и нарезают по выбранным осям. Срезы, сгруппированные в пакеты (batches), обрабатывают нейросетями с выводом результата в виде 3D-масок вероятностей. К 3D-маскам вероятностей применяют обратный поворот, после чего маски усредняют. [63] На фигуре 6 проиллюстрированы диагональные оси параллелепипеда, вдоль которых производится нарезка трехмерного изображения. [64] На фигуре 7 продемонстрирован принцип детекции на основе масок сегментации с использованием ограничивающих поверхностей. [65] Осуществление изобретения [66] Заявленное изобретение описывает систему и способ автоматизированного выявления очаговых образований печени на МРТ-изображениях с последующей визуализацией и формированием структурированного отчета. [67] В настоящем описании использованы следующие термины, определения и сокращения, характеризующие заявленные способ и систему, протоколы, языки программирования и форматы, архитектуры, фреймворки и библиотеки, и др. [68] МРТ - Магнитно-резонансная томография. [69] DICOM (Digital Imaging and Communications in Medicine) - стандартный протокол и формат для обмена, хранения и передачи медицинских изображений и связанных с ними информаций, таких как рентгеновские снимки, МРТ (магнитно-резонансная томография), КТ (компьютерная томография) и другие виды медицинских изображений. (https://www.dicomstandard.org/). [70] SR отчет - расширение стандарта DICOM (Digital Imaging and Communications in Medicine), предназначенное для структурированной и нормализованной передачи структурированных медицинских отчетов в цифровой форме; [71] SC отчет - дополнительная серия DICOM изображений, содержащая дополнительную визуализацию. [72] PACS (Picture Archiving and Communication System) - интегрированная система для хранения, передачи и просмотра медицинских изображений, таких как рентгеновские снимки, МРТ, КТ и ультразвуковые изображения в цифровой форме. [73] ИИ (AI) - искусственный интеллект. [74] Нейросеть (или нейронная сеть) - вычислительная модель, состоящая из соединенных и взаимодействующих искусственных нейронов, образующих слои. [75] UID - уникальный идентификатор, используемый в качестве ключа обработки медицинских изображений, полученных в результате лучевых исследований. [76] API (Application Programming Interface) - набор определенных правил и протоколов, которые позволяют разным программам и компонентам программного обеспечения взаимодействовать друг с другом. [77] GPU (Graphics Processing Unit, графический процессор) - специализированное вычислительное устройство, предназначенное для параллельной обработки больших объемов данных. [78] Метаданные - данные о данных (или информация о другой информации, или данные, относящиеся к дополнительной информации о содержимом или объекте); метаданные раскрывают сведения о признаках и свойствах, характеризующих какие-либо сущности, позволяющие автоматически искать и управлять ими в больших информационных потоках. [79] Маска - наложенное на исходное изображение однородное цветовое представление, выделяющее какой-либо объект или его часть. [80] Рéндеринг - процесс создания изображений (программная визуализация чего-либо). [81] Python - высокоуровневый, интерпретируемый язык программирования с динамической типизацией. [82] Docker (докер) - открытая платформа для разработки, доставки и запуска приложений в контейнерах. [83] Контейнеры - легковесные и отдельные окружения, которые могут включать в себя приложение и все его зависимости, что обеспечивает изолированное и надежное выполнение приложений на разных вычислительных средах. [84] PostgreSQL - открытая реляционная система управления базами данных (СУБД), которая используется для хранения и управления данными в приложениях и веб-сайтах; PostgreSQL предоставляет множество функций для работы с данными и выполнения запросов. [85] RabbitMQ - программный брокер сообщений на основе стандарта AMQP. [86] Брокер сообщений - архитектурный шаблон в распределённых системах; приложение, которое преобразует сообщение по одному протоколу от приложения-источника в сообщение протокола приложения-приёмника, тем самым выступая между ними посредником, осуществляет проверку сообщений на ошибки, маршрутизацию к конкретному приемнику, сохранение сообщений и ответов приемников, вызов веб-сервисов. [87] AMQP (Advanced Message Queuing Protocol) - открытый протокол прикладного уровня для передачи сообщений между компонентами системы. [88] Фреймворк (англоязычный аналог framework «остов, каркас, рама; структура») - программная платформа, определяющая структуру программной системы; программное обеспечение, облегчающее разработку и объединение разных компонентов большого программного проекта. [89] FastAPI - это современный и высокопроизводительный фреймворк для создания веб-приложений и API на языке программирования Python. [90] RESTful API - (Representational State Transfer Application Programming Interface) - архитектурный стиль и набор ограничений для создания веб-сервисов, которые обеспечивают взаимодействие между клиентами и серверами посредством передачи данных в виде ресурсов. [91] Pytorch - бесплатный и открытый фреймворк машинного обучения и глубокого обучения, разработанный и поддерживаемый Facebook's AI Research lab (FAIR); предоставляет гибкие инструменты для создания и обучения нейронных сетей. [92] Библиотека - коллекция программных функций, процедур и ресурсов, предназначенных для решения конкретных задач или обеспечения определенной функциональности в рамках программирования; библиотеки часто разрабатываются и предоставляются другими разработчиками, чтобы облегчить создание программ и приложений. [93] Open3D - библиотека с открытым исходным кодом, которая поддерживает быструю разработку программного обеспечения, работающего с 3D-данными; интерфейс Open3D предоставляет набор тщательно отобранных структур данных и алгоритмов как на C++, так и на Python. [94] Alembic - библиотека, реализующая методы создания и применения миграций баз данных. [95] PyVista - библиотека-расширение для Visualization Toolkit (VTK), которая использует метод взаимодействия с VTK через NumPy и прямой доступ к массиву. [96] VTK (Visualization Toolkit) - открытая программная система, которая обеспечивает расширенные возможности в 3D-компьютерной графике, обработке изображений, моделировании, объемном рендеринге и научной визуализации; реализует потоковую и распределенную параллельную обработку памяти для масштабируемости и лучшей производительности. [97] SciPy - набор математических алгоритмов и удобных функций, созданных на основе NumPy. [98] Pydicom - библиотека для чтения, записи, модификации и создания DICOM файлов. [99] Aiofiles - библиотека, реализующая асинхронное чтение данных из входного/выходного потока на python. [100] Aiohttp - библиотека, реализующая возможность создания асинхронных http запросов на python. [101] Celery - открытая библиотека для распределенной обработки задач в Python, которая позволяет выполнять долгие и ресурсоемкие операции в фоновом режиме, чтобы не блокировать основной поток выполнения приложения. [102] Celery worker - компонент в системе Celery, который выполняет фоновые задачи в асинхронном режиме. [103] Torchvision - пакет библиотеки PyTorch, который предоставляет набор утилит и инструментов для работы с компьютерным зрением и обработки изображений; TorchVision расширяет функциональность PyTorch, делая его более удобным и мощным для разработки и обучения моделей машинного обучения, связанных с обработкой изображений и видео. [104] Scikit-learn - библиотека с открытым исходным кодом, предоставляющая инструменты для обучения моделей, обработки и валидации данных. [105] PIL (Python Imaging Library) - библиотека Python для работы с изображениями, предоставляет различные функции и инструменты для открытия, создания, редактирования и сохранения изображений в различных форматах. [106] OpenCV (Open Source Computer Vision Library) - библиотека с открытым исходным кодом, разработанная для обработки изображений и компьютерного зрения; OpenCV предоставляет множество инструментов и функций для работы с изображениями и видео, а также для выполнения различных задач в области компьютерного зрения и обработки изображений. [107] Numpy (Numerical Python) - библиотека для языка программирования Python, предназначенная для работы с числовыми массивами и выполнения математических операций над ними; NumPy предоставляет множество функций и инструментов для эффективной работы с массивами данных, включая многомерные массивы, линейную алгебру, статистические операции и многое другое. [108] CUML - библиотека GPU-ускоренных аналогов алгоритмов scikit-learn (классификация, регрессия, кластеризация, уменьшение размерности). [109] CUPY - совместимый с NumPy API для выполнения операций над массивами на GPU. [110] Аlbumentations - библиотека для аугментации изображений в задачах машинного обучения и компьютерного зрения; Albumentations предоставляет разнообразные методы и инструменты для изменения и улучшения наборов данных изображений, позволяет создавать разнообразные трансформации, такие как повороты, сдвиги, изменение контраста, наложение шума и другие, чтобы расширить и разнообразить обучающие данные. [111] PixelData - фактические данные, представляющие цвета или интенсивность пикселей на изображении; термин PixelData обычно используется в контексте обработки изображений и медицинских изображений (например, в медицинской радиологии и обработке медицинских изображений). [112] Первое пороговое значение - значение, применяемое непосредственно к маске сегментации нейронной сети Net-1, иными словами - порог сегментации. [113] Второе пороговое значение - значение, с которым сравнивают среднюю вероятность предсказаний внутри ограничивающей поверхности, иными словами - порог детекции: ЗНО, ДНО, печень. [114] Конкатенация - объединение двух или более объектов счётного вида с сохранением порядка следования элементов. [115] Препроцессинг (предобработка) - этап обработки данных перед передачей их в модели искусственного интеллекта. [116] Постпроцессинг (постобработка) - этап обработки данных после работы моделей искусственного интеллекта, направленный на улучшение интерпретации или применение результатов. [117] Серия изображений (фаза) - это набор изображений, связанных одной исследовательской сессией или областью сканирования. [118] Modality - DICOM tag, который описывает тип медицинского исследования (например, КТ, МРТ, рентген и т.д.). [119] InstanceNumber - порядковый номер DICOM - изображения внутри одной серии. [120] SeriesDescription - текстовое описание серии DICOM изображений, содержащее дополнительную информацию об исследуемой области, условиях сканирования и/или цели исследования. [121] SliceThickness - DICOM tag, который описывает толщину одного сканируемого слоя (среза) в трехмерном объёме (обычно указывается в миллиметрах). [122] PixelSpacing - DICOM tag, который описывает физическое расстояние (как правило, в миллиметрах) между центрами соседних пикселей по горизонтали и вертикали в плоскости DICOM изображения. [123] Min-max нормализация - это метод предварительной обработки данных, применяемый для масштабирования значений интенсивности вокселей медицинских изображений в диапазон от 0 до 1 с помощью формулы X_new = (X_i - X_min) / (X_max - X_min). [124] 2D U-net подобная сеть - архитектура сверточной нейронной сети с U-образной топологией, предназначенная для сегментации двумерных изображений; позволяет выделять объекты, учитывая контекст на нескольких уровнях детализации. [125] 3D U-net подобная сеть - аналогичная 2D U-net архитектура сверточной нейронной сети, использующая трехмерные операции свертки и пулинга, что делает её подходящей для сегментации трехмерных данных (например, объёмных КТ- или МР-исследований). [126] Net-1 - 2D U-net подобная сеть для сегментации органа печени; на вход сети подают 3D-изображения всех 5 МР-последовательностей (Т1ВИ, Т2ВИ, АФ, РФ, ДВИ); класс сегментации - «печень». [127] Net-2 - 2D U-net подобная сеть для сегментации следующих классов: «доброкачественное новообразование» (ДНО), «злокачественное новообразование» (ЗНО), «прочее», «норма»; на вход сети подают 3D-изображения всех 5 МР-последовательностей (Т1ВИ, Т2ВИ, АФ, РФ, ДВИ); функциональное назначение - нейронная сеть для определения типа патологии. [128] Обучающая выборка (обучающие данные) - набор данных, на котором производят обучение нейронной сети или иного алгоритма ИИ. [129] Валидационная выборка (валидационные данные) - набор данных, на котором производят тестирование нейронной сети или иного алгоритма ИИ во время обучения. [130] IOU (Intersection over union) - это метрика, которая используется в задачах компьютерного зрения, особенно в задачах объектного детектирования, для оценки качества предсказания модели. IOU измеряет степень пересечения между предсказанным и истинным ограничивающими исследуемую область прямоугольниками. [131] Клиническая валидация - процесс подтверждения способности системы искусственного интеллекта выдавать клинически значимые выходные данные, связанные с целевым использованием системы искусственного интеллекта в рамках установленного изготовителем функционального назначения. [132] Способ диагностики патологий печени может быть реализован в виде компьютерной системы поддержки врачебных решений, объединяющей локальные медицинские серверы и облачные вычислительные ресурсы. Архитектура системы включает три ключевых компонента: локальный сервер медицинского учреждения, удаленный аналитический кластер (сервер) и рабочие станции врачей-диагностов. [133] Локальный сервер медицинской организации реализуют с возможностью приема и первичной обработки МРТ исследований печени в формате DICOM. Сервер автоматически сортирует полученные изображения, выделяя Т2-ВИ, Т1-ВИ, АФ, РФ и ДВИ, проверяет целостность данных и формирует пакеты для передачи в облако. Для каждого исследования создают структурированное описание, включающее метаданные пациента, параметры сканирования и клинические показания. [134] Удаленный сервер представляет собой распределенную вычислительную инфраструктуру для обработки медицинских изображений. Сервер содержит GPU-ускорители с предустановленными нейросетевыми моделями для сегментации и классификации патологий печени, модули пре- и постпроцессинга, а также систему управления очередями задач. Все алгоритмы обработки реализуют с соблюдением требований к медицинскому программному обеспечению. [135] Рабочие станции врачей могут быть реализованы как веб-приложения или нативные программы, интегрированные с PACS-системой учреждения. Интерфейс станций обеспечивает визуализацию исходных и обработанных изображений, отображение автоматически сгенерированных разметок патологий и интерактивное редактирование заключений. Система поддерживает экспорт результатов в стандартизированных форматах DICOM-SR и PDF с возможностью автоматической загрузки в электронные медицинские карты. [136] Для обеспечения бесперебойной работы в клинических условиях систему дополнительно оснащают модулями интеграции с радиологическими информационными системами (RIS) и системами архивации изображений (PACS). Реализуют двухсторонний обмен данными по защищенным протоколам DICOM, что позволяет получать исходные исследования из PACS и возвращать готовые отчеты. Особое внимание уделяют синхронизации данных между распределенными компонентами системы и обеспечению отказоустойчивости при работе с критически важной медицинской информацией. [137] Способ выявления онкозаболеваний в печени содержит последовательно выполняемые этапы обработки и анализа МРТ-изображений: этап отбора МРТ-изображений - Т2-ВИ, Т1-ВИ, АФ, РФ и ДВИ, из исходных серий изображений целевого органа/области пациента (DICOM) с последующей их загрузкой в систему хранения и архивации медицинских изображений (PACS); этап препроцессинга загруженных изображений; этап анализа изображений с использованием алгоритмов на основе нейронных сетей; этап постпроцессинга результатов анализа изображений; этап формирования отчета, содержащего дополнительные серии DICOM изображений с визуализированными патологиями (SC) и текстовые отчеты с описанием патологий (SR). [138] На этапе отбора МРТ-изображений, реализуемом на локальном устройстве медицинской организации, из подлежащих обработке данных, которые содержат, по меньшей мере, пять объемных серий изображений, формируют набор данных для передачи на удаленный сервер. Для чего отбирают серии изображений: T2-ВИ и T1-ВИ, АФ, РФ и ДВИ. Отбор происходит автоматически по метаданным или в ручном режиме. Исследование пациента может проводиться на различных МРТ аппаратах. Далее из полученных изображений формируют набор данных для передачи на удаленный сервер всех изображений в виде одного пакета. Формирование набора данных может быть реализовано посредством ручного сбора файлов или встроенными функциями системы PACS на стороне медицинской организации. После формирования пакета с данными осуществляют передачу пакета в блок хранения и архивации DICOM изображений. [139] Этап препроцессинга, который в одном из вариантов реализации изобретения может быть реализован на удаленном сервере, включает следующие шаги. [140] На первом шаге в блоке хранения и архивации DICOM изображений принимают сформированные пакеты, которые затем сохраняют в блок общего хранилища (представляющее собой общее дисковое пространство) блоков хранения и архивации DICOM изображений и обработки изображений алгоритмом на основе нейронных сетей под уникальным ID. Одновременно с сохранением пакетов DICOM изображений осуществляют постановку в очередь обработки полученных изображений посредством записи в очередь сообщения с указанием ID полученных данных. Формирование очереди обработки реализуют посредством конфигурации брокера сообщений RabbitMQ с указанием заранее определенного имени очереди. Получение сообщения из очереди реализуют путем создания блока управления очередями, который подключают к брокеру RabbitMQ. Блок управления очередями принимает на заранее заданных параметрах подключения и заранее заданных конфигурациях очередей RabbitMQ сообщение и начинает обработку полученных данных. [141] На втором шаге производят поиск файлов, соответствующих каждой из пяти МР-последовательностей сериям в директории с уникальным ID, полученным в сообщении, и формируют массив входных DICOM файлов, состоящий из пяти серий. Чтение каждого DICOM файла реализуют с помощью библиотеки pydicom, чтение может быть реализовано как в синхронном формате, с выбором параметра mode “r” при открытии файла, так и в асинхронном формате с помощью библиотеки aiofiles с выбором параметра mode “rb” при открытии файла. [142] На третьем шаге каждый полученный DICOM файл валидируют. Для корректной обработки DICOM файл должен содержать следующие поля: Modality, InstanceNumber, PixelData, SeriesDescription, SliceThickness, PixelSpacing. [143] На следующем, четвертом, шаге оставшиеся после валидации DICOM файлы фильтруют по полю Modality, отбирают только те, которые соответствуют МРТ-изображениям. Далее записывают оставшиеся DICOM файлы в экземпляры объекта-хранилища DicomData, каждый экземпляр этого класса обладает следующими полями: dcm_path, характеризующее путь к оригинальному DICOM файлу; dcm_name - имя оригинального DICOM файла; dcm - считанный в оперативную память DICOM файл; instance_number - порядковый номер изображения в серии; image - оригинальное значение PixelData. [144] На пятом шаге к каждому изображению в каждой серии применяют min-max нормализацию. Полученное изображение записывают в соответствующее поле image каждого экземпляра объекта-хранилища. [145] На шестом шаге каждую серию изображений сортируют по полю instance_number, после чего упорядоченные наборы изображений конкатенируют в единые 3D-изображения исследуемой области для каждой из пяти МР-последовательностей серии. [146] Этап анализа изображений с использованием алгоритма на основе нейронных сетей, который в одном из вариантов осуществления изобретения может быть реализован на удаленном сервере, включает следующие шаги. [147] На первом шаге данного этапа для каждой из пяти МР-последовательностей полученное изображение нарезают вдоль каждой выбранной оси на слои с шагом не более 3 пикселей, оптимально - 1 пиксель, при этом количество осей выбирают, по меньшей мере, три X, Y, Z (оптимально, семь, включая оси, расположенные в соответствии с пространственной диагональю параллелепипеда - медианной линией и/или осевой диагональю). Нарезание осуществляют следующим образом. К 3D-изображениям всех пяти серий исследуемой области применяют матрицу поворота в соответствии с данными, представленными в Таблице 1. [148] Таблица 1 [149] Диагональ / Плоскость Уравнение плоскости Нормаль Ось вращения Угол поворота (рад) x=y x−y=0 [1,−1,0] [0,0,1] π/4 x=−y x+y=0 [1,1,0] [0,0,1] −π/4 x=z x−z=0 [1,0,−1] [0,1,0] π/4 y=z y−z=0 [0,1,−1] [1,0,0] π/4 x=−z x+z=0 [1,0,1] [0,1,0] −π/4 y=−z y+z=0 [0,1,1] [1,0,0] −π/4 [150] Угол поворота определяют следующим образом: вычисляют скалярное произведение вектора нормали на изначальный вектор оси вращения [0, 0, 1]; к полученному значению применяют функцию arccos для поиска угла из библиотеки numpy; ось вращения вычисляют как векторное произведение нормали и изначального вектора оси вращения. [151] Полученное 3D-изображение нарезают вдоль оси X в новой (повернутой) системе координат, обратный поворот производят путем поиска обратной матрицы к матрице поворота и последующим поворотом с использованием обратной матрицы поворота. Матрицу поворота формируют согласно общеизвестным формулам (https://encyclopediaofmath.org/index.php?title=Rotation). [152] На втором шаге каждый слой преобразуют к размерам, требуемым на вход нейронной сетью, например, применяют numpy.pad, чтобы дополнить диагональные срезы пустотами, формируют набор пакетов (batches). Далее пакеты изображений (batches) подают в предварительно обученные U-Net-подобную сеть Net-1 с получением масок вероятностей для класса «печень». 3D-изображения всех пяти серий также нарезают по выбранным осям с шагом до 3 пикселей, объединяют в пакеты (batches) и подают в U-Net-подобную сеть Net-2. Результатом этой обработки является получение пакета (batch) масок вероятностей для классов: «злокачественное новообразование», «доброкачественное новообразование», «прочее», «норма». [153] На третьем шаге для каждой предобученной модели полученные пакеты масок вероятностей конкатенируют в 3D-маски вероятностей вдоль выбранных осей. С помощью обратного поворота полученные 3D-маски вероятностей приводят к одному направлению, производят обрезку пустот изображения, для этого пустоты могут быть заполнены фиксированными значениями, например numpy.NaN. [154] На последнем, четвертом шаге, полученные для каждой модели и развернутые в одном направлении 3D-маски вероятностей усредняют с использованием среднего арифметического и получают итоговые 3D-маски вероятностей Net-1 серии для Net-1, и итоговые 3D-маски вероятностей серии для Net-2. [155] Этап постпроцессинга, который в одном из вариантов осуществления изобретения может быть реализован на удаленном сервере, включает следующие шаги. [156] На первом шаге на основе 3D-масок вероятностей Net-2 серии формируют бинарные маски: 3D-маску патологий (объединяющую классы «ДНО», «ЗНО» и «прочее») и 3D-маску печени, применяя первое пороговое значение (первый порог сегментации). Для этого создают булевую маску, изначально заполненную значениями False той же формы, что и любая из 3D-масок вероятностей Net-2 серии, и выставляют значение True вокселям в позициях, где значение 3D-маски вероятностей Net-2 серии в соответствующем классе больше первого порога сегментации, после чего применяют операцию максимизации к элементам маски, соответствующим классам патологии. [157] На втором шаге бинарную 3D-маску патологий преобразуют в облако точек формы (x, y, z) с помощью метода argwhere библиотек NumPy или CuPy. К получившемуся облаку точек применяют алгоритм DBSCAN, например из библиотеки Cuml, при этом параметры eps и min_samples выбирают с учетом ожидаемой разреженности бинарной маски. Результатом является набор кластеров точек, где каждый кластер точек предположительно соответствует изолированному патологическому образованию. [158] На третьем шаге для каждого кластера точек осуществляют процедуру построения выпуклой поверхности или альфа-поверхности с получением набора ограничивающих поверхностей для каждого кластера. Примером реализации данного шага может служить класс PointCloud библиотеки Open3D, реализующий метод построения выпуклой поверхности compute_convex_hull(), результатом которого является формирование ограничивающей поверхности, содержащей поля вершин vertices и полигонов triangles, к которой применяют триангуляцию по методу Делоне с последующим выделением точек, лежащих внутри получившихся тетраэдров и созданием множества внутренних точек ограничивающей поверхности (метод find_simplex библиотеки Open3d). Каждое множество внутренних точек ограничивающей поверхности представляет собой 3D булевую маску, где каждая точка внутри ограничивающей поверхности имеет значение True, а остальные - False. [159] Далее осуществляют фильтрацию полученных ограничивающих поверхностей по средней вероятности по маскам классов «ДНО», «ЗНО» и «прочее» внутри каждой ограничивающей поверхности. Для этого определяют среднюю вероятность внутри множества внутренних точек ограничивающей поверхности с помощью методов sum и count_nonzero библиотек numpy или cupy. Для этого множество внутренних точек ограничивающей поверхности умножают поэлементно на 3D-маски вероятностей Net-2 серии и вычисляют среднее арифметическое полученных массивов. Если средняя вероятность ниже второго порогового значения, то данное множество внутренних точек ограничивающей поверхности исключают из общего набора множеств внутренних точек ограничивающих поверхностей. [160] Также на данном шаге вычисляют центры множеств внутренних точек ограничивающих поверхностей. Для этого с помощью метода numpy.where получают координаты множества внутренних точек ограничивающей поверхности по каждой из осей, после этого применяют метод numpy.mean() для каждой из осей и получают центр ограничивающей поверхности по каждой из осей. [161] На четвертом шаге производят опциональную геометрическую фильтрацию множеств внутренних точек ограничивающих поверхностей. В некоторых реализациях изобретения получившийся набор множеств внутренних точек ограничивающих поверхностей для каждого кластера подвергают фильтрации по соотношению геометрических показателей для соответствия формы ограничивающей поверхности априорным ожиданиям о форме опухоли или неопухолевого образования. Для этого производят поиск описанного параллелепипеда множества внутренних точек ограничивающей поверхности, после чего вычисляют его длину, ширину и глубину. После этого выбирают минимальное и максимальное значения размеров описанного параллелепипеда и оценивают отношение максимального размера к минимальному. Если полученное отношение превышает заданное значение, то множество внутренних точек ограничивающей поверхности исключают из общего набора ограничивающих поверхностей. Оставшиеся множества внутренних точек ограничивающих поверхностей подвергают следующим этапам анализа (на шестом шаге). [162] На пятом шаге определяют центр 3D-маски печени и среднее отклонение точек маски от центра печени. Примером реализации могут служить методы numpy.where() с получением координат точек, соответствующих истинному значению в 3D-маске печени по каждой оси, и последующим применением numpy.mean() по каждой из полученных осей, а также numpy.std() с получением значения стандартного отклонения координат от центра. [163] На шестом шаге центры оставшихся после фильтрации множеств внутренних точек ограничивающих поверхностей на четвертом шаге сравнивают с центром 3D-маски печени. Если расстояние между ними превышает заданное значение, например, два стандартных отклонения точек маски печени от центра печени, соответствующее множество внутренних точек ограничивающей поверхности признают ложноположительным и исключают из оставшейся выборки множеств внутренних точек ограничивающих поверхностей, формируя набор множеств внутренних точек ограничивающих поверхностей для анализа на следующем - седьмом шаге. [164] На седьмом шаге для каждого множества внутренних точек ограничивающих поверхностей, оставшегося после фильтрации на шестом шаге, в 3D-маске патологий определяют сферическую окрестность заданного радиуса R. По вокселям, выделенным из 3D-масок вероятностей Net-2, серии в полученной окрестности, с помощью метода histogram библиотек numpy или cupy строят гистограммы вероятностей для четырех классов: «злокачественное новообразование», «доброкачественное новообразование», «прочее» и «норма». [165] На восьмом шаге для каждого множества внутренних точек ограничивающих поверхностей из седьмого шага найденные на седьмом шаге гистограммы подают в предварительно обученный классификатор AdaBoost и на основании полученных вероятностей присваивают поверхности окончательный класс: «злокачественное новообразование», «доброкачественное новообразование», «прочее» или «норма». [166] На девятом, заключительном шаге, по полученным данным формируют индексную маску: каждому вокселу внутри конкретной поверхности присваивают уникальное значение. Также создают двухуровневый словарь, где ключ - это номер поверхности, а значение - метаданные, включающие тип образования, объем, размеры, вероятность классификации и принадлежность к печени. [167] Этап формирования отчета, который в одном из вариантов осуществления изобретения может быть реализован на удаленном сервере, включает следующие шаги. [168] На первом шаге данного этапа производят преобразование формы индексной маски к форме 3D-изображения исследуемой анатомической области, при этом для сохранения индексации внутри маски применяют алгоритм interpolate из модуля nn.functional библиотеки pytorch с указанием параметра mode со значением “nearest”. При указании данного параметра в алгоритме interpolate, значения при изменении размеров не будут преобразованы согласно линейному или нелинейному правилу, а будут скопированы, сохраняя значение при переносе. После этого каждому срезу в преобразованной индексной маске ставят в соответствие срез 3D-изображения исследуемой анатомической области, это действие позволяет однозначно соотнести данные, полученные из исходного DICOM файла с результатами обработки. [169] На втором шаге для каждой пары среза 3D-изображения исследуемой анатомической области и среза индексной маски запускают алгоритм формирования и визуализации дополнительной серии DICOM изображений - формируют DICOM изображение дополнительной серии. [170] Для формирования DICOM изображения дополнительной серии получают исходный DICOM файл, для этого находят соответствующий для среза 3D-изображения исследуемой анатомической области DICOM файл. На основе метаданных, лежащих в исходном DICOM файле, формируют DICOM файл дополнительной серии, для этого копируют параметры идентификаторов из исходного DICOM файла и заменяют значение поля SeriesInstanceUID на уникальное значение, которое не встречается среди исходных для серий изображений. Для того, чтобы визуализация найденных образований корректно отображалась на экране конечного пользователя, дополнительному изображению также устанавливают следующие поля с соответствующими значениями: Rows - тип int, количество строк в изображении, определяют после окончания визуализации, которая будет описана ниже; Columns - тип int, количество столбцов в изображении, определяют после окончания визуализации, которая будет описана ниже; PhotometricInterpretation - тип строка, значение “RGB”; SamplesPerPixel - тип int, значение 3; BitsStored - тип int, значение 8; BitsAllocated - тип int, значение 8» HighBit - тип int, значение 7; PixelRepresentation - тип int, значение 0; Modality - тип строка, значение SC. [171] Далее производят визуализацию найденных образований с помощью сопоставления двухуровневого словаря найденных образований, индексной маски образований и исходного DICOM изображения. Исходное DICOM изображение переводят средствами opencv из формата оттенков серого в формат RGB изображения, применяя функцию cv2.cvtColor(image, cv2.COLOR_GRAY2RGB). Исходное DICOM изображение дополняют слева и справа пустотами (пикселями черного цвета) шириной, необходимой для свободного прочтения информации на изображении после рендера, и высотой, равной высоте исходного изображения, рекомендуемое значение ширины пустоты - число, равное ширине исходного изображения. Данный шаг выполняют средствами numpy, создавая массив, заполненный из нулей numpy.zeros, шириной равной ширине исходного изображения плюс две ширины пустоты, высотой равной высоте исходного изображения. К срезу индексной маски применяют функцию оконтуривания, путем применения функции cv2.findContours, результатом оконтуривания является массив контуров, параметры, передаваемые в функцию findContours, следующие: срез маски, переведенный в тип данных np.uint8, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE. Для каждого найденного контура создают бинарную маску, которую накладывают на срез индексной маски, в результате чего получают потенциальный срез поверхности на конкретном изображении. На потенциальном срезе поверхности подсчитывают моду, в результате чего определяют соответствующую поверхность. На основе однозначно определенной поверхности с помощью вычисленной моды устанавливают цвет контура, линии и рамки таблицы, согласно максимальному аргументу в массиве вероятностей патологий поверхности из словаря характеристик поверхности. Цвета патологий заранее задают в отдельном модуле в виде словаря, где ключом будет максимальный аргумент, а значением - цвет в формате RGB, представляющий собой массив из трех элементов, каждый из которых описывает насыщенность одного из трех цветовых каналов. Цвета каждой из патологий при визуализации могут быть следующие: красный - ЗНО, жёлтый - ДНО, пурпурный - прочее, голубой - норма. [172] На основе ближайшей найденной маски печени для поверхности определяют сторону, на которой будет происходить рендер информационной таблицы об образовании, как правило, при просмотре аксиальной проекции DICOM изображений, правая часть тела находится слева на изображении, а левая - справа. На основе данных о ближайшей к поверхности маске печени, производят рендер информационной таблицы определенным, как указано выше, цветом. Каждую строку данной таблицы выводят на изображение путем перевода изображения из формата cv2 в формат PIL Image, вызывая функцию PIL.Image.fromarray(), после чего от получившегося изображения создают экземпляр класса ImageDraw.Draw(), который реализует метод text() для рендера текста на изображении, после чего изображение обратно переводят в формат cv2 путем применения np.array(image). [173] Информационная таблица может включать следующие строки: порядковый номер образования; локализация: для соотнесения печени с текстовой репрезентацией, печень заранее соотносят с некоторым текстом в отдельном модуле в виде словаря, где ключом является печень, а значением является текстовое описание печени; размеры образования: для перевода размеров из пикселей в миллиметры используют поля SliceThickness и PixelSpacing исходного DICOM файла; вероятность: для определения используют вероятности из соответствующего словаря характеристик поверхности. [174] Далее производят рендер линии, связывающей контур среза поверхности и соответствующую ей информационную таблицу, для этого при рендере таблицы фиксируют начальные координаты x и y таблицы, сохраняют координаты последней строки этой таблицы, таким образом ограничивая текст внутри таблицы прямоугольником, производят рендер границ таблицы встроенными средствами cv2. Рисуют контур среза поверхности, цветом, определенным выше. Полученное изображение переводят в формат numpy.uint8, после чего заполняют поля Rows, Columns и PixelData в DICOM изображении дополнительной серии. Полученное DICOM изображение дополнительной серии сохраняют в блок общего хранилища с уникальным ID. [175] На следующем, третьем шаге, формируют SR отчет. Для чего создают DICOM файл SR отчета и копируют значения идентификаторов исследования и пациента. Генерируют текстовое описание найденных патологий, для этого текст SR отчета дополняют следующими данными: модальность исследования - определяют на основе исходных DICOM изображений; идентификатор исследования; дата и время формирования отчета - фиксируют дату и время в момент заполнения поля; назначение - фиксированный текст, определяющий область исследования; технические данные - текст, информирующий пользователя о проанализированной серии DICOM изображений: толщина срезов (определяют на основе поля SliceThickness исходного DICOM файла), количество срезов (определяют на основе общего количества DICOM изображений в серии); описание - текст, в котором отображают полное описание всех найденных образований, структура текста для каждого образования соответствует структуре информационной таблицы, представленной выше; заключение - текст, в котором отображают краткое описание всех найденных образований. Краткое описание каждого образования заполняют информацией о вероятностях и плотностных показателях образования; руководство пользователя - вспомогательный текст, в котором пользователя информируют о том, какими цветами выделены соответствующие патологии. [176] Полученный DICOM файл SR отчета сохраняют в блоке общего хранилища под уникальным ID. [177] Компьютерно-реализуемая система с возможной реализацией в виде программно-аппаратного комплекса (далее АПК) включает объединенные в сеть с помощью проводной и/или беспроводной связи следующие устройства, как указано далее: удаленный аналитический кластер (сервер) и рабочие станции врачей-диагностов. [178] Рабочие станции врачей-диагностов, представляют собой периферические устройства, например, компьютеры, с установленными на них современными браузерами, например, такими как Яндекс Браузер, Google Chrome или Firefox, подключенные в единую сеть медицинской организации. [179] Устройство для определения патологии (удаленный сервер) представляет собой, по меньшей мере, один блок памяти с контейнерами, содержащими компоненты программной части, в т.ч. реализующими шаги этапа обработки изображений (основная функциональность). Блок памяти содержит контейнер с интегрированным PACS системы АПК, обеспечивающей хранение и запись в очередь обработки по отправленным на удаленный сервер исследованиям; контейнер с брокером сообщений RabbitMQ (https://www.rabbitmq.com/), обеспечивающим очередь обработки, и Celery worker ( https://docs.celeryq.dev/en/stable/ ), обеспечивающий возможность масштабируемой обработки; контейнер с компонентами основной функциональности, включающими FastAPI, обеспечивающий анонимизацию МРТ-изображений и отправку результатов обработки в PACS систему продукта. [180] Для обучения моделей используют нейросетевые модели, основанные на сверточных архитектурах с механизмом «внимания» для повышения качества. В качестве фреймворка обучения могут быть использованы Pytorch (https://pytorch.org/docs/stable/index.html), а также библиотеки torchvision (https://pytorch.org/vision/stable/index.html), PIL (https://pillow.readthedocs.io/en/stable/), OpenCV (https://docs.opencv.org/4.8.0/), numpy ( https://numpy.org/doc/stable/user/index.html#user ), Sklearn (https://scikit-learn.org/stable/). Для валидации результата весь набор данных делят на 2 части - обучение, и отложенная выборка, в пропорции 80:20. Для тестирования используют отдельно размеченный набор данных не менее 10 процентов от исходного. [181] Сформированные модели машинного обучения размещают на удаленном сервере. [182] Для работы в системе проходят авторизацию под учетными данными врача. [183] Согласно изобретению на вход в средство просмотра поступают данные в DICOM формате. Данные загружают путем выбора папки или файлов МРТ исследований пациента с периферийных устройств (рабочих компьютеров медицинского персонала) в PACS систему АПК. В результате обработки системой при запуске блока обработки изображений алгоритмом на основе нейронных сетей врач получает на выходе дополнительную серию медицинских изображений в виде набора DICOM файлов с модальностью SC и текстовых отчетов с модальностью SR. Передача данных происходит в форме вызова REST сервиса, опубликованного на удаленном сервере по HTTPS-интерфейсу. Реализация выполняется с использованием python фреймворка FastAPI ( https://fastapi.tiangolo.com/ ) или др. [184] Примеры реализации изобретения [185] Разработанный способ выявления объемных образований печени на МРТ-изображениях с использованием методов анализа трехмерных изображений по срезам во многих проекциях и обнаружения поверхностей в облаках вероятностей был реализован в виде прототипа продукта (компьютерно-реализуемой системы), результатом работы которого является визуализация признаков одной или нескольких патологий на результате МРТ исследования печени в формате DICOM в виде оконтуривания (дополнительная серия изображений DICOM SecondaryCapture), включая данные о геометрических и плотностных характеристиках выявленных объемных образований, отчет по результатам анализа исследования с указанием вероятности присутствия каждой из искомых патологий (DICOM StructuredReport), а также аналитические отчеты по результатам проведенных исследований. [186] Разработанные компьютерно-реализуемая система и способ выявления объемных образований печени на МРТ-изображениях обеспечивали: выявление печени вне зависимости от расположения, размеров, формы; выявление всех объемных образований, локализованных в пределах печени, вне зависимости от их морфологической принадлежности, количества, локализации и размеров; определение количества всех выявленных объемных образований печени; проведение нумерации каждого выявленного объемного образования печени (например, образование n=1; образование n=2); определение локализации каждого выявленного объемного образования печени, локализация образований указывалась при наличии выявленных образований; определение размеров каждого выявленного объемного образования печени (размеры определялись в аксиальной проекции в мм); проведение дифференциальной диагностики всех выявленных объемных образований печени, вне зависимости от размеров образования, с учетом выделенных классов патологии; осуществлялось автоматическое определение вероятности принадлежности выявленного образования к определенному классу патологии (в процентах, %); формирование по результатам анализа дополнительных серий исследований: DICOM StructuredReport: дополнительная серия исследования, содержащая структурированный отчет-заключение в текстовом формате по обработанному модулем моделей искусственного интеллекта МРТ исследования (общая таблица для печени, и текстовое сопровождение напротив каждого выявленного образования); DICOM SecondaryCapture: дополнительная серия исследования, содержащая визуализацию выявленных объемных образований печени в виде наложенной цветовой разметки на исходном МРТ исследовании; формирование аналитических отчетов по заданию пользователя. [187] Обучение нейронных сетей производилось с использованием МРТ исследований более 500 пациентов, каждое из которых содержало серии всех пяти МР-последовательностей, у которых были диагностированы ЗНО и ДНО. С помощью стандартных средств 3D-разметки для каждого изображений всех пяти серий врачами-экспертами была создана 3D-маска сегментации с классами: «печень», «злокачественное новообразование», «доброкачественное новообразование», «прочее», «норма». При этом если класс образования нельзя было определить из самой серии, то использовалась метаинформация. Например, достоверно видимое образование в серии исследования сегментировалось как злокачественное или доброкачественное исходя из анализа всех серий изображений. Далее каждое 3D МРТ-изображение и соответствующая маска были нарезаны вдоль семи - осей, трех осей (X, Y, Z) и четырех горизонтальных осей на срезы по каждой оси. Таким образом, были получены двумерные изображения и соответствующие им двумерные маски для всех пяти серий. Далее, используя первый набор данных, было обучено две U-net-подобных нейронных сети одинаковой архитектуры. Для валидации была выделена независимая выборка из 20% данных, обучение проводилось на оставшихся 80% процентах набора данных. Причем разделение данных на обучающую выборку и набор для валидации производилось таким образом, чтобы срезы, полученные с МРТ-изображений одного пациента, присутствовали только в обучающем наборе данных или только в наборе данных для валидации. После этого обученная генерировать маски вероятности Net-2 нейронная сеть и известные истинные маски сегментации использовались для получения алгоритмическим способом второго набора данных. Для каждого изолированного патологического образования на каждой контрастной серии извлекалась гистограмма соответствующего участка изображения, из масок Net-2 ей сопоставлялась метка, соответствующая истинному классу образования. [188] В качестве архитектуры сетей сегментации U-net1 и U-net2 была выбрана Link-net c энкодером Efficient-net-B7 (библиотека SMP https://github.com/qubvel-org/segmentation_models.pytorch). Обучение проводилось с использованием сочетания среднего focall - loss и jacar-loss, задача формулировалась как задача сегментации с многими метками. По окончании обучения были выбраны веса модели для эпох с наименьшими значениями Loss - функции на этапе валидации. Во время обучения использовались стандартные методы аугментации данных, а именно случайный поворот, случайный шум, случайная инверсия, случайные деформации. [189] Далее, используя второй набор данных, была обучена модель для предсказания типа патологического образования на основании гистограммы соответствующего участка изображения модель классификации на основе градиентного бустинга - Adaboost из библиотеки Sklearn (https://scikit-learn.org/stable/). Для обучения модели классификации использовались метки классов, соответствующие типам патологий: «злокачественное новообразование», «доброкачественное новообразование», «прочее», «норма». Для настройки гиперпараметров модели классификации был использован метод кросс-валидации. Гистограммы, полученные с предсказаний Net-2 на её тренировочной выборке, имели меньший вес, чем предсказания, полученные Net-2 на ее валидационной выборке. Обучение проводилось до сходимости метрики F1, а для тестирования была выделена независимая выборка из 20% данных. [190] Клиническая валидация разработанного продукта была проведена на выборке исследований, состоящей из результатов МРТ исследований печени в формате DICOM, полученных у 273 пациентов, с периодом наблюдения до 7 лет, с известными исходами/конечными точками (наличие/отсутствие патологии), специальным образом отобранных из медицинских данных медицинской организации, из них: 85 пациентов со злокачественными новообразованиями (ЗНО), 43 пациента с доброкачественными новообразованиями (ДНО), 65 пациентов с прочими образованиями и 80 пациента с отсутствием указанных образований. [191] Исследования проводились следующим образом. Каждое исследование из тестовой выборки было обработано разработанной системой. Полученный отчет был вручную проверен врачом экспертом. Проверка проходила следующим образом. Врач-эксперт для каждого образования проверял корректность его выделения и классификации. Если образование было обнаружено и верно классифицировано, то это считалось истинно положительным срабатыванием для конкретного класса патологии, если не обнаружено - ложноположительным срабатыванием для конкретного класса патологии, если образование было обнаружено, но неверно классифицировано, то одновременно - ложноположительным срабатыванием для одного класса и ложноотрицательным для другого. На основании этих результатов рассчитывались точность, полнота, гармоническое среднее точности и полноты (F1-score). [192] Также в автоматическом режиме оценивалась скорость генерации отчета. Измеренная скорость генерация отчета была существенно меньше известных требований к максимальному времени работы систем анализа МРТ-изображений. [193] Таким образом, по результатам клинической валидации был установлен высокий уровень диагностической точности и эффективности разработанных способа и системы при применении в соответствии с назначением. [194] Таким образом, заявленное изобретение позволяет: получать клинические показатели анализа МРТ исследований печени и выявлять перечень патологий; достигать высокой производительности системы за счет использования 2D U-net -подобной сети вместо 3D U-net при сохранении высоких метрик качества: измеренное время обработки серии МРТ исследований разработанной системой существенно меньше текущих требований к максимальному времени работы ИИ систем анализа МРТ-изображений, применяемых на практике и меньше времени, которое тратит в среднем врач-рентгенолог на постановку диагноза при исследовании МРТ печени; сократить время на проведение рутинных измерений целевого органа и выявленных объемных образований, тем самым, оптимизируя загрузку медицинского персонала. Заявленное изобретение обеспечивает точное (с точностью не менее 80 %), наглядное и воспроизводимое выявление и классификацию объёмных образований печени, экономя время радиолога и снижая вероятность диагностических ошибок.

Формула 1. Способ выявления объемных образований печени на МРТ-изображениях, включающий следующие последовательно реализуемые этапы: этап отбора из исходного пакета DICOM изображений пяти серий МРТ-изображений печени - Т1-взвешенных изображений (Т1ВИ), Т2-взвешенных изображений (Т2ВИ), артериальной фазы (АФ), равновесной фазы (РФ) и диффузионно-взвешенных изображений (ДВИ), с последующей передачей отобранных изображений в блок хранения и архивации, этап препроцессинга изображений, этап анализа изображений с использованием алгоритма на основе нейронных сетей, этап постпроцессинга результатов анализа изображений, этап формирования отчета, при этом на этапе препроцессинга полученные МРТ-изображения сортируют по порядковому номеру внутри каждой серии, производят min-max нормализацию изображений и их конкатенацию в единые 3D-изображения исследуемой области для каждой серии МРТ-изображений, на этапе анализа изображений с использованием алгоритма на основе нейронных сетей полученные единые 3D-изображения каждой серии нарезают вдоль выбранных осей на слои, используя по меньшей мере три основные оси координат X, Y, Z, набор слоев по каждой оси объединяют в пакеты изображений - batches, далее полученные пакеты изображений всех серий подают в предварительно обученную первую U-Net-подобную сеть для сегментации печени с получением пакетов 2D-масок вероятностей, которые затем объединяют и усредняют с получением итоговых 3D-масок вероятностей сегментации печени; пакеты изображений всех серий также подают в предварительно обученную вторую U-Net-подобную сеть для сегментации объёмных образований печени с получением пакетов 2D-масок вероятностей для каждого класса патологий: «доброкачественное новообразование» (ДНО), «злокачественное новообразование» (ЗНО), «прочее», «норма», которые также объединяют и усредняют с получением итоговых 3D-масок вероятностей сегментации объёмных образований; на этапе постпроцессинга на основе итоговых 3D-масок вероятностей сегментации печени и сегментации объёмных образований формируют бинарные маски: 3D-маску объёмных образований, объединяющую классы «ДНО», «ЗНО» и «прочее», и 3D-маску печени; далее на основе полученной 3D-маски объемных образований создают облако точек , которое подвергают кластеризации с использованием алгоритма DBSCAN с получением набора кластеров; для каждого кластера формируют ограничивающую поверхность с последующей фильтрацией полученных ограничивающих поверхностей - по средней вероятности по маскам классов «ДНО», «ЗНО» и «прочее» внутри каждой ограничивающей поверхности, по геометрическим размерам и по анатомической принадлежности с использованием 3D-маски сегментации печени; далее осуществляют классификацию оставшихся ограничивающих поверхностей, при этом для каждой оставшейся ограничивающей поверхности находят соответствующую ей сферическую область в 3D-маске вероятностей сегментации объёмных образований, для которой формируют гистограммы распределения вероятностей классов ДНО, ЗНО, «прочее», «норма», которые подают на вход предобученного классификатора с получением вероятности принадлежности оставшихся после фильтрации ограничивающих поверхностей к одному из четырех классов: ДНО, ЗНО, «прочее», «норма» и формированием индексной маски. 2. Способ по п. 1, характеризующийся тем, что на этапе анализа изображений в качестве осей нарезки используют дополнительные диагональные оси. 3. Способ по п. 1, характеризующийся тем, что на этапе анализа изображений для каждой оси, вдоль которой нарезают 3D-изображение исследуемой области на слои, используют алгоритм поворота, основанный на применении матрицы поворота к 3D-изображению исследуемой области. 4. Способ по п. 3, характеризующийся тем, что объединение полученных масок вероятностей сегментации печени и объемных образований на этапе анализа изображений осуществляют следующим образом: для каждой маски вероятностей, полученной в результате анализа 3D-изображения, нарезанного вдоль соответствующей оси, находят обратную матрицу к матрице поворота и применяют её к соответствующей маске, полученные после обратного поворота маски вероятностей для каждой оси усредняют. 5. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга формирование бинарных масок осуществляют следующим образом: для масок вероятностей, соответствующих классам «ДНО», «ЗНО» и «прочее» в 3D-маске вероятностей сегментации объёмных образований, применяют первое пороговое значение, получая бинаризированные маски соответствующих классов, к полученным бинаризированным маскам применяют операцию максимизации. 6. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга облако точек на основе бинаризированной 3D-маски объемных образований создают с применением функции argwhere библиотеки numpy. 7. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга облако точек на основе бинаризированной 3D-маски вероятностей сегментации печени создают с применением функции argwhere библиотеки numpy. 8. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга кластеризацию алгоритмом DBSCAN на облаке точек осуществляют с вызовом метода cluster_dbscan экземпляра класса PointCloud библиотеки Open3d, с получением набора кластеров точек с уникальными метками. 9. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга ограничивающую поверхность для каждого кластера создают следующим образом: все точки отдельного кластера по его уникальной метке передают как изолированный набор точек в алгоритм поиска выпуклой поверхности или альфа-поверхности библиотеки Open3d с получением объекта ограничивающей поверхности, содержащего поля вершин и полигонов поверхности. 10. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга для определения средней вероятности внутри каждой ограничивающей поверхности с последующей фильтрацией осуществляют выделение множества внутренних точек или вокселей 3D-маски вероятностей сегментации объемных образований, находящихся внутри ограничивающей поверхности, для выделенных вокселей или множества внутренних точек вычисляют средние значения вероятностей по классам «ДНО», «ЗНО» и «прочее», полученные средние значения вероятностей сравнивают со вторым пороговым значением с последующим удалением множества внутренних точек или вокселей и соответствующего этому множеству ограничивающей поверхности, если данная вероятность ниже второго порогового значения. 11. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга геометрическую фильтрацию ограничивающих поверхностей производят следующим образом: для каждой ограничивающей поверхности вычисляют её геометрические размеры - ширину, высоту, длину, или находят вертикальный, горизонтальный и продольный размеры, далее определяют минимальный размер и максимальный размер, далее находят отношение максимального и минимального размеров, если отношение максимального и минимального размеров больше заданного значения, то это интерпретируют как несоответствие формы выпуклой поверхности априорным ожиданиям о форме опухоли или неопухолевого образования, и ограничивающую поверхность удаляют. 12. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга фильтрацию по анатомической принадлежности осуществляют следующим образом: сначала на основе полученной 3D-маски сегментации печени создают облако точек для печени, вычисляют средние значения координат по осям X, Y, Z - центр печени, и стандартное отклонение координат от центра, которое интерпретируют как ожидаемый размер печени; далее для каждой оставшейся ограничивающей поверхности после проведенных ранее этапов фильтрации вычисляют геометрический центр, находят эвклидово расстояние от центра ограничивающей поверхности до центра печени, если расстояние превышает удвоенное стандартное отклонение печени, ограничивающую поверхность удаляют как не относящуюся к печени. 13. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга при классификации оставшихся ограничивающих поверхностей после проведенной фильтрации в качестве предобученного классификатора используют AdaBoost. 14. Способ по п. 1, характеризующийся тем, что на этапе постпроцессинга индексную маску создают следующим образом: для каждой ограничивающей поверхности пиксели, лежащие внутри поверхности с индексом i, заполняют уникальными для поверхности числами типа int, равными i + 1, ключами двухуровневого словаря являются индексы поверхностей, увеличенные на единицу, а соответствующими значениями являются словари характеристик ограничивающих поверхностей. 15. Способ по п. 1, характеризующийся тем, что на этапе формирования отчета создают дополнительные серии DICOM изображений с визуализированными объемными образованиями - SC и текстовые отчеты с описанием объемных образований - SR. 16. Способ по п. 15, характеризующийся тем, что на этапе формирования отчета, содержащего описание объемных образований, для каждого исходного DICOM изображения из соответствующей серии создают DICOM изображение дополнительной серии, выбирают соответствующий порядковому номеру изображения срез индексной маски, на основе среза индексной маски визуализируют объемные образования на DICOM изображении дополнительной серии, на основе двухуровневого словаря оставшихся поверхностей создают текстовый отчет. 17. Способ по п. 1, характеризующийся тем, что диффузионно-взвешенные изображения (ДВИ) получают с b-фактором 400 с/мм 2 . 18. Система для выявления объемных образований печени на МРТ-изображениях печени, включающая устройство для определения патологии, которое представляет собой удаленный сервер с размещенными на нем блоками: блоком хранения и архивации исходных DICOM изображений и результатов, блоком препроцессинга исходных DICOM изображений, блоком обработки изображений алгоритмом на основе нейронных сетей, блоком постпроцессинга, блоком визуализации и формирования отчетов, при этом блок хранения и архивации исходных DICOM изображений и результатов выполнен с возможностью получения и хранения пакетов DICOM изображений и обеспечения быстрого доступа к изображениям пяти серий МРТ-изображений печени - Т1-взвешенных изображений (Т1ВИ), Т2-взвешенных изображений (Т2ВИ), артериальной фазы (АФ), равновесной фазы (РФ) и диффузионно-взвешенных изображений (ДВИ), блок препроцессинга исходных DICOM изображений выполнен с возможностью проведения min-max нормализации изображений, сортировки срезов по порядковому номеру и конкатенации их в единые 3D-изображения для каждой из пяти серий МРТ-изображений печени; блок обработки изображений алгоритмом на основе нейронных сетей выполнен с возможностью нарезки 3D-изображений вдоль выбранных осей, при этом использующий по меньшей мере три основные оси координат, объединения нарезанных изображений в пакеты, подачи пакетов в предварительно обученные U-Net-подобную сеть для сегментации печени и U-Net-подобную сеть для сегментации объемных образований печени, получения масок вероятностей, объединения масок вероятностей, полученных вдоль каждой оси с получением усредненных 3D-маски вероятности сегментации печени и 3D-маски вероятностей сегментации объемных образований соответственно; блок постпроцессинга выполнен с возможностью формирования 3D-маски объёмных образований печени путём объединения классов «ДНО», «ЗНО» и «прочее» из 3D-маски вероятностей сегментации объёмных образований, бинаризации 3D маски печени, создания облака точек на основе бинаризированной 3D-маски объёмных образований, создания облака точек для печени на основе бинаризированной 3D-маски печени, осуществления кластеризации облака точек объёмных образований алгоритмом DBSCAN, создания ограничивающих поверхностей для каждого кластера объёмных образований, геометрической фильтрации ограничивающих поверхностей по форме и размерам, вычисления средней вероятности объёмного образования внутри каждой ограничивающей поверхности, фильтрации поверхностей по средней вероятности и анатомической принадлежности к печени, классификации оставшихся объёмных образований с использованием данных сегментации объёмных образований - ДНО, ЗНО, прочее, норма, создания индексной маски и структурированного отчёта о выявленных объёмных образованиях. 19. Система по п. 18, характеризующаяся тем, что блок визуализации и формирования отчетов выполнен с возможностью создания DICOM изображения дополнительной серии, выбора соответствующего порядковому номеру изображения среза индексной маски, визуализации патологии на DICOM изображении дополнительной серии, создания текстового отчета на основе двухуровневого словаря, отправки сформированных отчетов в блок хранения и архивации исходных DICOM изображений и результатов.

Источник: Роспатент / ФИПСПубликуется с разрешения правообладателя, подтверждённого редакцией.Оригинал: СПОСОБ И СИСТЕМА ДЛЯ ВЫЯВЛЕНИЯ ОБЪЕМНЫХ ОБРАЗОВАНИЙ ПЕЧЕНИ НА МРТ-ИЗОБРАЖЕНИЯХ ↗

Есть кому отправить?

Скопируется постоянная ссылка на этот материал.

Комментарии

Обсуждайте статью, отвечайте и оценивайте комментарии. Вход — через ваш Яндекс ID.

Загружаем обсуждение…