sechenovSechenov Medical JournalСеченовский вестник2218-73322658-3348Сеченовский Университет10.47093/2218-7332.2020.11.3.4-14sechenov-227Research ArticleMODELING IN MEDICINEМОДЕЛИРОВАНИЕ В МЕДИЦИНЕNeural network-based segmentation model for breast cancer X-ray screeningСегментационная модель скрининга рака молочной железы на основе нейросетевого анализа рентгеновских изображенийhttps://orcid.org/0000-0003-0920-1549РожковаН. И.RozhkovaN. I.

Рожкова Надежда Ивановна, д-р мед. наук, профессор, руководитель 

ул. Погодинская, д. 6, г. Москва, 119121

Nadezhda I. Rozhkova, Dr. of Sci. (Medicine), Professor, Head 

6, Pogodinskaya str., Moscow, 119121

https://orcid.org/0000-0002-9813-0385РойтбергП. Г.RoitbergP. G.

Ройтберг Павел Григорьевич, канд. экон. наук, учредитель 

2-й Тверской-Ямской пер., д. 10, г. Москва, 125047

Pavel G. Roitberg, Cand. of Sci. (Economy), founder

10, 2nd Tverskoy-Yamskoy Lane, Moscow, 125047

https://orcid.org/0000-0002-2038-2769ВарфоломееваА. А.VarfolomeevaA. A.

Варфоломеева Анна Андреевна, специалист по машинному обучению 

2-й Тверской-Ямской пер., д. 10, г. Москва, 125047

Anna A. Varfolomeeva, Data Scientist

10, 2nd Tverskoy-Yamskoy Lane, Moscow, 125047

https://orcid.org/0000-0002-1313-6420МазоМ. Л.MazoM. M.

Мазо Михаил Львович, канд. мед. наук, старший научный сотрудник 

ул. Погодинская, д. 6, г. Москва, 119121

Mikhail L. Mazo, Cand. of Sci. (Medicine), Senior Researcher

6, Pogodinskaya str., Moscow, 119121

https://orcid.org/0000-0002-2452-914XДобренькийА. Н.DobrenkiiA. N.

Добренький Антон Николаевич, специалист по машинному обучению 

2-й Тверской-Ямской пер., д. 10, г. Москва, 125047

Anton N. Dobrenkii, Data Scientist

10, 2nd Tverskoy-Yamskoy Lane, Moscow, 125047

https://orcid.org/0000-0002-8385-4356БлиновД. С.BlinovD. S.

Блинов Дмитрий Сергеевич, д-р мед. наук, руководитель отдела научных исследований и разработок

2-й Тверской-Ямской пер., д. 10, г. Москва, 125047

+7 (927) 197-14-22

Dmitry S. Blinov, Dr. of Sci. (Medicine), Head of Research and Development Department

10, 2nd Tverskoy-Yamskoy Lane, Moscow, 125047

+7 (927) 197-14-22

d.blinov@cmai.teamhttps://orcid.org/0000-0003-3508-7284СушковЕ. В.SushkovE. V.

Сушков Евгений Владимирович, заведующий отделением рентгенологии Центра амбулаторной онкологии

ул. Касаткина, д. 7, г. Москва, 129301

Evgenii V. Sushkov, Head of Radiology Unit, Oncology Department

7, Kasatkina str., Moscow, 129301

https://orcid.org/0000-0002-8814-3369ДерябинаО. Н.DeryabinaO. N.

Дерябина Ольга Николаевна, канд. мед. наук, доцент кафедры онкологии Медицинского института 

ул. Большевистская, д. 68, г. Саранск, 430005

Olga N. Deryabina, Cand. of Sci. (Medicine), Associate Professor, Oncology Department, Medical Institute

68, Bolshevistskaya str., Saransk, 430005

https://orcid.org/0000-0001-7515-2314СоколовА. И.SokolovA. I.

Соколов Алексей Ильясович, ассистент кафедры хирургии Медицинского института 

ул. Красная, д. 40, г. Пенза, 440026

Aleksei I. Sokolov, Assistant Professor, Surgery Department, Medical Institute

40, Krasnaya str., Penza, 440026

Национальный центр онкологии репродуктивных органов Московского научного исследовательского онкологического института им. П.А. Герцена — филиала ФГБУ «Национальный медицинский исследовательский центр радиологии» Минздрава РоссииРоссияNational Medical Research Radiological Center of the Ministry of Health of the Russian FederationRussian FederationООО «КэреМенторЭйАй», отдел научных исследований и разработокРоссияCare Mentor AI, Research and Development DepartmentRussian FederationГБУЗ города Москвы «Городская клиническая больница № 40 Департамента здравоохранения города Москвы», Центр амбулаторной онкологииРоссияMoscow State Clinical Hospital No. 40, Department of OncologyRussian FederationФГБОУ ВО «Национальный исследовательский Мордовский государственный университет им. Н.П. Огарева»РоссияOgarev Mordovia State UniversityRussian FederationФГБОУ ВО «Пензенский государственный университет»РоссияPenza State UniversityRussian Federation202025112020113414Copyright © Rozhkova N.I., Roitberg P.G., Varfolomeeva A.A., Mazo M.M., Dobrenkii A.N., Blinov D.S., Sushkov E.V., Deryabina O.N., Sokolov A.I., 20202020Рожкова Н.И., Ройтберг П.Г., Варфоломеева А.А., Мазо М.Л., Добренький А.Н., Блинов Д.С., Сушков Е.В., Дерябина О.Н., Соколов А.И.Rozhkova N.I., Roitberg P.G., Varfolomeeva A.A., Mazo M.M., Dobrenkii A.N., Blinov D.S., Sushkov E.V., Deryabina O.N., Sokolov A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.sechenovmedj.com/jour/article/view/227

Diagnostic efficiency of breast cancer screening remains one of the most important issues in oncology and radiology. Artificial intelligence technologies are widely used in clinical medicine to effectively solve a number of technological and diagnostic problems. The aim. To develop segmentation neural network model for breast plain radiographs analysis with subsequent study of its clinical effectiveness. Materials and methods. The artificial intelligence-based system was developed to analyze X-ray mammography, аnd included a segmentation neural network with the U-Net architecture, a classification neural architecture ResNet50 with outputting the result using gradient boosting. 15486 X-ray cases were used for training, estimation of diagnostic accuracy and validation of the developed segmental model. All cases were labeled in specially developed software environment LabelCMAITech. The segmentation accuracy was determined by Intersection over Union (IoU) similarity coefficient, the probability of malignancy was calculated using the binary classification metrics. Results. The developed system is represented by a segmentation model based on neural network architecture. The model allows, with high accuracy of 0.8176 and higher, at threshold values on the output neurons of the network of 0.1 and 0.15, to localize X-ray findings that have diagnostic value for determining the likelihood of the presence of breast cancer signs in an X-ray mammographic study — focus, architecture distortion, local asymmetry, calcifications. When comparing the results of machine segmentation and marking of images by a radiologist, it was found that the model is not inferior to the doctor in the accuracy of determining the formations, extra-focal calcifications and intraglandular lymph nodes. Conclusion. The results of this study allow considering the model as an intelligent assistant to a radiologist in the analysis of screening mammographic cases.

Повышение диагностической эффективности скрининга рака молочной железы (РМЖ) остается одной из наиболее актуальных проблем в онкологии и лучевой диагностике. Технологии искусственного интеллекта широко используются в клинической медицине для эффективного решения ряда технологических и диагностических задач.Цель. Разработать и изучить диагностическую эффективность сегментационной нейросетевой модели детекции патологических изменений молочных желез на цифровых рентгеновских снимках.Материалы и методы. Интеллектуальная система была разработана для описания маммографических исследований и включала в себя сегментационную нейронную сеть с архитектурой U-Net, классификационную нейронную архитектуру ResNet50 с выводом результата при помощи градиентного бустинга. Для обучения, определения диагностической точности и валидации разрабатываемой сегментационной диагностической модели использовали 15 486 рентгеновских исследований, размеченных в специально разработанной программной среде LabelCMAITech. Точность сегментации определяли по коэффициенту сходства, вероятность злокачественности находок вычисляли с помощью метрик бинарной классификации.Результаты. Разработана система, представленная сегментационной моделью на основе нейросетевой архитектуры. Модель позволяет с высокой точностью 0,8176 и выше при пороговых значениях на выходных нейронах сети 0,1 и 0,15 локализовать рентгенологические находки, имеющие диагностическое значение для определения вероятности наличия признаков РМЖ в рентгеновском маммографическом исследовании: образования, локальную перестройку структуры, локальную асимметрию, кальцинаты. При сравнении результатов машинной сегментации и разметки изображений рентгенологом установлено, что модель не уступает врачу в точности определения образований, внеочаговых кальцинатов и внутрижелезистых лимфатических узлов.Заключение. Результаты изучения эффективности работы системы позволяют рассматривать ее в качестве интеллектуального диагностического ассистента врача-рентгенолога при анализе скрининговых маммографических исследований.

 

рак молочной железыскринингискусственные нейронные сетидиагностические находкисегментацияbreast cancerscreeningartificial neural networksdiagnostic findingssegmentationReferencesSiegel R.L., Miller K.D., Jemal A. Cancer statistics, 2019. CA A Cancer J Clin. 2019; 69: 7-34. https://doi.org/10.3322/caac.21551Siegel R.L., Miller K.D., Jemal A. Cancer statistics, 2019. CA A Cancer J Clin. 2019; 69: 7-34. https://doi.org/10.3322/caac.21551Breast cancer. [web resource] URL https://www.who.int/cancer/prevention/diagnosis-screening/breast-cancer/en/ free (accessed September 16, 2020).Breast cancer. [web resource] URL https://www.who.int/cancer/prevention/diagnosis-screening/breast-cancer/en/ free (accessed September 16, 2020).DeSantis C.E., Ma J., Gaudet M.M., Newman L.A., Miller K.D., Goding Sauer A., Jemal A., Siegel, R.L. Breast cancer statistics, 2019. CA A Cancer J Clin. 2019; 69: 438-451. https://doi.org/10.3322/caac.21583DeSantis C.E., Ma J., Gaudet M.M., Newman L.A., Miller K.D., Goding Sauer A., Jemal A., Siegel, R.L. Breast cancer statistics, 2019. CA A Cancer J Clin. 2019; 69: 438-451. https://doi.org/10.3322/caac.21583Li Y., Chen H., Cao L., Ma J. A survey of computer-aided detection of breast cancer with mammography. J Health Med Inf. 2016; 4: 238. https://doi.org/10.4172/2157-7420.1000238Li Y., Chen H., Cao L., Ma J. A survey of computer-aided detection of breast cancer with mammography. J Health Med Inf. 2016; 4: 238. https://doi.org/10.4172/2157-7420.1000238Welch H.G., Passow H.J. Quantifying the benefits and harms of screening mammography. JAMA Intern Med. 2014; 3: 448-454. https://doi.org/10.1001/jamainternmed.2013.13635Welch H.G., Passow H.J. Quantifying the benefits and harms of screening mammography. JAMA Intern Med. 2014; 3: 448-454. https://doi.org/10.1001/jamainternmed.2013.13635Curtis C., Frayne R., Fear E. Using X-Ray Mammograms to Assist in Microwave Breast Image Interpretation. Int. J. Biomed. Imag. 2012; 2012: 235380. https://doi.org/10.1155/2012/235380Curtis C., Frayne R., Fear E. Using X-Ray Mammograms to Assist in Microwave Breast Image Interpretation. Int. J. Biomed. Imag. 2012; 2012: 235380. https://doi.org/10.1155/2012/235380Abdelhafiz D., Yang C., Ammar R. et al. Deep convolutional neural networks for mammography: advances, challenges and applications. BMC Bioinformatics. 2019; 20: 281 https://doi.org/10.1186/s12859-019-2823-4Abdelhafiz D., Yang C., Ammar R. et al. Deep convolutional neural networks for mammography: advances, challenges and applications. BMC Bioinformatics. 2019; 20: 281 https://doi.org/10.1186/s12859-019-2823-4American College of Radiology. The ACR breast imaging reporting and data system (BI-RADS) [web resource]. November 11, 2003. URL: http://www.Acr. org/departments/stand_accred/birads/contents.html. free (accessed February 27, 2020).American College of Radiology. The ACR breast imaging reporting and data system (BI-RADS) [web resource]. November 11, 2003. URL: http://www.Acr. org/departments/stand_accred/birads/contents.html. free (accessed February 27, 2020).Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Arxiv. Lib. 2015; 15: 1-8. https://doi.org/10.1007/978-3-319-24574-4_28Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Arxiv. Lib. 2015; 15: 1-8. https://doi.org/10.1007/978-3-319-24574-4_28He K., Zhang X., Ren S. Deep Residual Learning for Image Recognition. IEEE Comput. Vis. Pattern. Recognit. 2016; 10: 1-4. https://doi.org/10.1109/cvpr.2016.90He K., Zhang X., Ren S. Deep Residual Learning for Image Recognition. IEEE Comput. Vis. Pattern. Recognit. 2016; 10: 1-4. https://doi.org/10.1109/cvpr.2016.90Natekin A., Knoll A. Gradient Boosting Machines, A Tutorial. Frontiers in Neurorobotics. 2013; 7: 21. https://doi.org/10.3389/fnbot.2013.00021Natekin A., Knoll A. Gradient Boosting Machines, A Tutorial. Frontiers in Neurorobotics. 2013; 7: 21. https://doi.org/10.3389/fnbot.2013.00021Wu J., Mahfouz M. R. Robust X-ray image segmentation by spectral clustering and active shape model. J Med. Imag. 2016; 3: 034005. https://doi.org/10.1117/1.jmi.3.3.034005Wu J., Mahfouz M. R. Robust X-ray image segmentation by spectral clustering and active shape model. J Med. Imag. 2016; 3: 034005. https://doi.org/10.1117/1.jmi.3.3.034005

The authors declare that there are no conflicts of interest present.