Формирование верхнечелюстной пазухи начинается у человека на 3-м месяце внутриутробного развития и завершается при вступлении в период постоянного прикуса, примерно в 18—20-летнем возрасте [1]. Усредненные морфометрические параметры пазухи взрослого человека: высота примерно 33 мм, ширина — 23—25 мм и переднезадний размер около 34 мм, объем в среднем 15 см3 [2].
Морфометрические параметры пазухи детерминированы, прежде всего, полом (у мужчин все размеры пазухи статистически значимо больше, чем у женщин) и формой черепа [3, 4]. Абсолютные значения этих параметров варьируют в зависимости от расовой или этнической принадлежности [5]. Кроме того, факторами, влияющими на объем верхнечелюстной пазухи, могут быть тип дыхания и стоматологический статус [6].
Определение морфометрических параметров верхнечелюстной пазухи у живого человека помогает при диагностике и лечении ряда патологических состояний, связанных с этой анатомической структурой. Например, соотношение объемов верхнечелюстной пазухи, занимаемых измененной слизистой оболочкой и воздухом, может служить критерием тяжести хронических риногенных синуситов, а также использоваться для оценки эффективности химио- и радиотерапии злокачественных опухолей, при планировании процедуры синус-лифтинга или эндоскопических операций на пазухе [6].
Цель исследования — сравнить ручной, полуавтоматический и автоматический методы определения объема верхнечелюстной пазухи, используя изображения, полученные с помощью конусно-лучевой компьютерной томографии (КЛКТ).
Материал и методы
Данные КЛКТ 48 пациентов (96 верхнечелюстных пазух) медицинских центров Минска. Критерием отбора пациентов было отсутствие в анамнезе сведений о хирургических вмешательствах на верхнечелюстной пазухе и альвеолярном отростке верхней челюсти, после которых могла бы измениться нативная архитектура пазухи. Изменения слизистой оболочки пазухи и наличие в ее полости патологического содержимого в расчет не принимались, так как это не препятствовало дифференцировке костных стенок.
Морфометрия 12 верхнечелюстных пазух 6 пациентов (4 женщины и 2 мужчины в возрасте от 22 до 60 лет) проводилась в ручном, полуавтоматическом и автоматическом режимах.
На КЛКТ сканах ручным методом определялись следующие линейные размеры пазухи (рис. 1):
Рис. 1. Конусно-лучевые компьютерные томограммы.
а — фронтальная проекция; б — сагиттальная проекция. Линейные размеры правой верхнечелюстной пазухи. ML — медиолатеральный размер (ширина); AP — переднезадний размер (глубина); CC — краниокаудальный размер (высота).
Высота (краниокаудальный размер, craniocaudal dimension, CC) — максимальное расстояние между нижней стенкой глазницы и нижней стенкой пазухи на сагиттальных срезах.
Глубина (переднезадний размер, antero-posterior dimension, AP) — максимальное расстояние между передней и задней стенками пазухи на сагиттальных срезах.
Ширина (медиолатеральный размер, medio-lateral dimension, ML) — максимальное расстояние между медиальной и латеральной стенками пазухи на фронтальных срезах.
Каждое измерение проводилось двумя исследователями, которые выполняли калибровку вместе с рентгенологом.
Во всех случаях пазухи имели форму, близкую к пирамиде, поэтому их объем рассчитывали по формуле:
V=высота×глубина×1/3 ширины.
3D-реконструкция в полуавтоматическом и автоматическом режимах, а также расчет объемов верхнечелюстных синусов осуществлялись с использованием функций библиотеки VTK (Visualization Toolkit). Предварительно сегментировались участки верхнечелюстных пазух, обнаруживаемые на КЛКТ-срезах. В полуавтоматическом режиме сегментация проводилась экспертом (рентгенологом) интерактивно. При этом контуры костной стенки и слизистой оболочки выделялись поочередно с помощью инструмента «Умная кисть», программно реализованного на основе алгоритма кластеризации k-средних [7].
Для сегментации верхнечелюстной пазухи в автоматическом режиме применена технология сверточной нейронной сети (СНС). При этом использовалась модернизированная U-Net архитектура СНС. Модернизация сети заключалась в интегрировании в ее состав подсети DenseNet и осуществлялась на языке программирования Python в связке с отдельными модулями популярной библиотеки Keras, ориентированной на работу с нейронными сетями.
Обучение нейронной сети произведено на КЛКТ сканах 42 пациентов (44% мужчин и 56% женщин в возрасте от 8 до 69 лет (38±13 лет)). Эта процедура начиналась с разбивки изображений на тренировочную и валидационную серии в пропорции 75% на 25%.
Следующим шагом в процедуре обучения было получение из 3D-серий, разделенных на тренировочные и валидационные, плоских обучающих изображений (КЛКТ-срезов). В тренировочный набор попали 808 срезов пазухи 31 пациента. Валидационный набор состоял из 314 срезов пазухи 11 пациентов.
Для оценки качества использовалась метрика Intersection Over Union (или иначе Jaccard index — мера Жаккара), задаваемая формулой:
где: TP (true positive) — выбор пикселя, реально принадлежащего пазухе; FP (False positive) — ошибочный выбор пикселя, не принадлежащего пазухе; FN (False negative) — ошибочно отмеченный пиксель в качестве не принадлежащего пазухе; Im1 — область пазухи, выделенная экспертом; Im2 — область пазухи, выделенная нейронной сетью.
Используя процедуру аугментации, из первоначально имеющегося исходного набора изображений генерировали дополнительные обучающие данные [8]. Для аугментации использовалась библиотека Albumentations. Максимальная точность получена у обученной модели с размером входных изображений 352×352, размером блока (batch-size) 8 и составила 0,93 (IoU, индекс Жаккара). Использовались оптимизатор Adam, функция потерь: комбинация бинарной кросс-энтропии и функции потерь Серенсена (Dice loss). Данную модель обучали 100 эпох, используя видеокарту GeForce GTX 1080 Ti.
Для статистической обработки полученных данных использовали пакет программ Statistica 10.0.
Результаты
В табл. 1 приведены данные об объеме верхнечелюстной пазухи, полученные разными методами. Во всех случаях ручной метод демонстрирует самые низкие значения объема пазухи по сравнению с другими методами, тогда как при использовании автоматического метода получаются наибольшие значения показателя. В обоих случаях эти значения находятся в пределах 95% доверительного интервала (±4,29 см3) для среднего объема пазухи, полученного экспертным методом. При этом объемы, рассчитанные автоматическим методом, ближе к значениям, которые определены в полуавтоматическом режиме сегментации с помощью эксперта. В табл. 2 приведены значения модулей абсолютных ошибок измерения относительно результатов эксперта: Δ1=|РМ—Э| и Δ2=НС—Э|, а также медианы (Me) и верхние квартили (QIII). Эти данные позволяют проанализировать разбежки результатов получения объемов ручным, полуавтоматическим и автоматическим методами.
Таблица 1. Объем верхнечелюстной пазухи, определенный разными методами измерения
| Пациент | Пол | Возраст (годы) | Сторона | Ручной метод (см3) | Полуавтоматический (экспертный) метод (см3) | Автоматический метод (нейронная сеть) (см3) |
| №1 | М | 42 | правая | 14,5 | 17,2 | 18,7 |
| левая | 11,4 | 14,2 | 15,2 | |||
| №2 | Ж | 60 | правая | 5,4 | 6,1 | 6,0 |
| левая | 11,8 | 13,6 | 13,7 | |||
| №3 | Ж | 22 | правая | 6,2 | 8,3 | 9,7 |
| левая | 1,5 | 1,7 | 3,6 | |||
| №4 | М | 40 | правая | 7,4 | 7,9 | 8,1 |
| левая | 21,3 | 27,1 | 27,9 | |||
| №5 | Ж | 50 | правая | 7,0 | 10,8 | 10,8 |
| левая | 2,7 | 4,6 | 4,5 | |||
| №6 | Ж | 51 | правая | 11,6 | 13,8 | 14,1 |
| левая | 10,3 | 14,7 | 14,9 | |||
| S±σ | 9,26±5,45 | 11,67±6,83 | 12,27±6,80 | |||
| ДИ (доверительный интервал) | ±4,29 | — | ||||
Таблица 2. Различия объемов верхнечелюстной пазухи, определенных разными методами их измерения
| Пациент | Сторона | |РМ—Э| (см3) | |НС—Э| (см3) |
| №1 | Правая | 2,7 | 1,5 |
| Левая | 2,8 | 1,0 | |
| №2 | Правая | 0,7 | 0,1 |
| Левая | 1,8 | 0,1 | |
| №3 | Правая | 2,1 | 1,4 |
| Левая | 0,2 | 1,9 | |
| №4 | Правая | 0,5 | 0,2 |
| Левая | 5,8 | 0,2 | |
| №5 | Правая | 3,8 | 0 |
| Левая | 1,9 | 0,1 | |
| №6 | Правая | 2,2 | 0,3 |
| Левая | 4,4 | 0,2 | |
| 2,41 | 0,58 | ||
| Me | 2,15 | 0,2 | |
| QIII | 3,05 | 1,1 | |
Примечание. РМ — ручной метод; Э — экспертный (полуавтоматический) метод; НС — автоматический метод (нейронная сеть).
В среднем отклонение от результатов эксперта при автоматическом методе оказалось равным 0,58, т.е. средняя погрешность измерения (относительная ошибка) составляет 4,97%. Аналогичные показатели при ручном методе равны 2,41 и 20,7%.
Неслучайность обнаруженных различий в точности методов подтверждена ранговым критерием Манна—Уитни (Uэмп=16, Uтаб.=31) при уровне значимости α=0,01.
Обсуждение
В настоящее время для определения морфометрических параметров верхнечелюстной пазухи чаще всего используются ручные методы [9—12], реже — полуавтоматические методы [13]. Они представляют собой достаточно трудоемкий процесс, поскольку требуют обязательного просмотра в интерактивном режиме каждого КЛКТ-слоя с определением и выделением на нем области интереса. При этом не все структуры исследуемой области обладают высокой контрастностью и четкостью. Это касается в первую очередь контура слизистой оболочки.
В последнее время предпринимаются отдельные попытки разработать полностью автоматизированные программы для расчета объема придаточных пазух носа. G. Giacomini и соавт. [6] предложили автоматизированный метод определения объема верхнечелюстной пазухи, который использует методы сегментации, водораздела, выбора порога и морфологического анализа изображений, полученных с помощью компьютерной томографии. Проведенные статистические сравнения между автоматизированным и ручным количественным методами оценки данного параметра показали сильные зависимости между переменными величинами и низкую дисперсию результатов независимо от индивидуальных вариаций объема пазухи. Средняя процентная разница между автоматизированными и ручными методами была приблизительно 7% для обоих методов.
K. Souadih и соавт. [14] описали методику полностью автоматической сегментации клиновидной пазухи с использованием DeepMedics 3D CNN (многослойной трехмерной СНС, обрабатывающей данные в нескольких масштабах). Авторы отметили неплохую корреляцию результатов измерения между автоматизированным и ручным методами определения объема пазухи. В настоящем исследовании использована аналогичная методика, и она показала результаты, сопоставимые с данными ручного и полуавтоматического методов исследования. При этом абсолютные значения объема верхнечелюстной пазухи, полученные с использованием автоматизированного метода, на 24,5 и 4,9% выше по сравнению с результатами, полученными ручным и полуавтоматическим методами соответственно. По данным G. Giacomini и соавт. [6], объем верхнечелюстной пазухи при измерении в автоматическом режиме был на 14—17% выше по сравнению с объемом, полученным ручным методом.
Реальный объем пазухи, измеренный автоматическим методом, составил 12,27±6,80 см3. По данным литературы, в отдельных выборках объем верхнечелюстной пазухи у взрослых пациентов колеблется в диапазоне от 10,9±2,8 до 24,7±9,0 см3 [6, 10, 11, 15, 16]. Таким образом, метод определения объема пазухи с использованием искусственного интеллекта позволяет установить реальные морфометрические показатели. При этом значительно упрощается процедура выделения и измерения области интереса, а также параллельно уменьшаются временные затраты и повышается точность результатов. Достаточно лишь запустить исполняемый модуль программы и загрузить нужную КЛКТ-серию. Упрощение работы исследователя достигается за счет усложнения работы программистов по разработке, интеграции и обучению нейронной сети.
Еще одним важным преимуществом автоматизированного метода является возможность определения соотношения между объемами слизистой оболочки и воздухоносной полости (рис. 2). Считается, что в норме толщина слизистой оболочки (расстояние между костной стенкой и поверхностью слизистой оболочки пазухи) не должна превышать 1 мм [17].
Рис. 2. Трехмерная реконструкция верхнечелюстных пазух.
а — вид спереди; б — вид сбоку.
Заключение
Для визуализации объемного изображения верхнечелюстной пазухи и определения ее объема по конусно-лучевым компьютерным томограммам использован искусственный интеллект (технология сверточной нейронной сети). Установлена высокая корреляция данных, полученных с помощью этой технологии, с результатами морфометрии пазухи ручным и полуавтоматическим методами. Использование автоматического метода создания 3D изображения пазухи не требует от пользователя специальных знаний. Метод имеет хорошую воспроизводимость и реализуется в коротком временном интервале.
Авторы заявляют об отсутствии конфликта интересов.