nmpЖурнал им. Н.В. Склифосовского «Неотложная медицинская помощь»Russian Sklifosovsky Journal "Emergency Medical Care"2223-90222541-8017“N.V. Sklifosovsky Research Institute for Emergency Medicine”10.23934/2223-9022-2020-9-2-231-237nmp-936Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESСоздание коллекции МСКТ-изображений и клинических данных при острых нарушениях мозгового кровообращенияCreation of a Dataset of MSCT-Images and Clinical Data for Acute Cerebrovascular Eventshttps://orcid.org/0000-0001-7483-7899ШарифуллинФ. А.SharifullinF. A.

Шарифуллин Фаат Абдул-Каюмович, доктор медицинских наук, главный научный сотрудник отделения лучевой диагностики

129090, Москва, Б. Сухаревская пл., д. 3

119991, Москва, ул. Трубецкая, д. 8, стр. 2

 

Dr. Med. Sci., Chief Researcher, Department of Diagnostic Radiology

3 B. Suharevskaya Sq., Moscow 129090

8 b. 2 Trubetskaya St., Moscow 119991

drfaat@narod.ruДолотоваД. Д.DolotovaD. D.

Долотова Дарья Дмитриевна, кандидат медицинских наук, ведyщий нayчный сoтрудник

127473, Москва, 3-й Самотёчный пер., д. 11

Cand. Med. Sci., Leading Research Assistant

11 3th Samotechny Pereulok, Moscow 127473

dariadolotova@gmail.comhttps://orcid.org/0000-0003-2418-680XБарминаТ. Г.BarminaT. G.

Бармина Татьяна Геннадьевна, кандидат медицинских наук, старший научный сотрудник отделения лучевой диагностики

129090, Москва, Б. Сухаревская пл., д. 3

Cand. Med. Sci., Senior Researcher, Department of Diagnostic Radiology

3 B. Suharevskaya Sq., Moscow 129090

barminat@inbox.ruhttps://orcid.org/0000-0003-3292-8789ПетриковС. С.PetrikovS. S.

Петриков Сергей Сергеевич, член-корреспондент РАН, доктор медицинских наук, директор

129090, Москва, Б. Сухаревская пл., д. 3

Corresponding Member of the Russian Academy of Sciences, Dr. Med. Sci., Director

3 B. Suharevskaya Sq., Moscow 129090

petrikovss@sklif.mos.ruhttps://orcid.org/0000-0002-3167-3692КоковЛ. С.KokovL. S.

Коков Леонид Сергеевич, член-корреспондент РАН, профессор, доктор медицинских наук, руководитель отделения лучевой диагностики

129090, Москва, Б. Сухаревская пл., д. 3

119991, Москва, ул. Трубецкая, д. 8, стр. 2

 

Corresponding Member of the Russian Academy of Sciences, Professor, Dr. Med. Sci., Head of Department of Diagnostic Radiology

3 B. Suharevskaya Sq., Moscow 129090

8 b. 2 Trubetskaya St., Moscow 119991

lskokov@mail.ruhttps://orcid.org/0000-0001-6824-4114РамазановГ. Р.RamazanovG. R.

Рамазанов Ганипа Рамазанович, заведующий научным отделением неотложной неврологии и восстановительного лечения

129090, Москва, Б. Сухаревская пл., д. 3

Head of the Scientific Department of Emergency Neurology and Reconstructive Treatment

3 B. Suharevskaya Sq., Moscow 129090

ramazanovgr@sklif.mos.ruhttps://orcid.org/0000-0002-4678-060XБлагосклоноваЕ. Р.BlagosklonovaY. R.

Благосклонова Евгения Романовна, научный сотрудник

127473, Москва, 3-й Самотёчный пер., д. 11

Researcher

11 3th Samotechny Pereulok, Moscow 127473

evromsp@gmail.comhttps://orcid.org/0000-0003-4278-2285АрхиповИ. В.ArkhipovI. V.

Архипов Иван Владимирович, ведущий программист

127473, Москва, 3-й Самотёчный пер., д. 11

Leading Programmer

11 3th Samotechny Pereulok, Moscow 127473

 

arkhivania@gmail.comhttps://orcid.org/0000-0002-5428-6687СкоробогачИ. М.SkorobogachI. M.

Скоробогач Иван Михайлович, врач ординатор

129090, Москва, Б. Сухаревская пл., д. 3

Resident

3 B. Suharevskaya Sq., Moscow 129090

dr.skoroboga@gmail.comhttps://orcid.org/0000-0003-0208-3033ЧеремушкинН. Н.CheremushkinN. N.

Черемушкин Николай Николаевич, врач ординатор

129090, Москва, Б. Сухаревская пл., д. 3

Resident

3 B. Suharevskaya Sq., Moscow 129090

tiforge.invest@gmail.comhttps://orcid.org/0000-0002-7838-584XДонитоваВ. В.DonitovaV. V.

Донитова Виктория Владимировна, научный сотрудник

119333, Москва, ул. Вавилова, д. 44, корп. 2

Researcher

44 b. 2 Vavilova St., Moscow 119333

vdonitova@gmail.comhttps://orcid.org/0000-0002-3459-8851КобринскийБ. А.KobrinskiB. A.

Кобринский Борис Аркадьевич, доктор медицинских наук, профессор, заведующий отделом систем поддержки принятия клинических решений Института современных информационных технологий в медицине

119333, Москва, ул. Вавилова, д. 44, корп. 2

Dr. Med. Sci., Professor, Head of the Department of Support Systems for Clinical Decisions

44 b. 2 Vavilova St., Moscow 119333

kba_05@mail.ruhttps://orcid.org/0000-0002-7838-584XГавриловА. В.GavrilovA. V.

Гаврилов Андрей Васильевич, кандидат технических наук, заведующий лабораторией медицинских компьютерных систем

127473, Москва, 3-й Самотёчный пер., д. 11

119991, Москва, Ленинские горы, д. 1, стр. 58

Cand. Tec. Sci., Head of the Laboratory of Medical Computer Systems

11 3th Samotechny Pereulok, Moscow 127473

1 b. 58 Leninskiye Gory, Moscow 119991

agavrilov49@gmail.comГБУЗ «Научно-исследовательский институт скорой помощи им. Н.В. Склифосовского ДЗМ»; Институт профессионального образования ФГАОУ ВО Первый Московский государственный медицинский университет им. И.М. Сеченова Минздрава РФ (Сеченовский Университет)РоссияN.V. Sklifosovsky Research Institute for Emergency Medicine; I.M. Sechenov First Moscow State Medical University of the Ministry of Health of the Russian Federation (Sechenov University)Russian FederationООО «Гаммамед-Софт»РоссияGammamed-Soft, LLCRussian FederationГБУЗ «Научно-исследовательский институт скорой помощи им. Н.В. Склифосовского ДЗМ»РоссияN.V. Sklifosovsky Research Institute for Emergency MedicineRussian FederationФедеральный исследовательский центр «Информатика и управление» Российской академии наукРоссияFederal Research Center “Informatics and Management” of the Russian Academy of SciencesмRussian FederationФедеральный исследовательский центр «Информатика и управление» Российской академии наукРоссияFederal Research Center “Informatics and Management” of the Russian Academy of SciencesRussian FederationООО «Гаммамед-Софт»; Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В. ЛомоносоваРоссияGammamed-Soft, LLC; D.V. Skobeltsyn Research Institute of Nuclear Physics, M.V. Lomonosov Moscow State UniversityRussian Federation20202110202092231237Copyright © Шарифуллин Ф.А., Долотова Д.Д., Бармина Т.Г., Петриков С.С., Коков Л.С., Рамазанов Г.Р., Благосклонова Е.Р., Архипов И.В., Скоробогач И.М., Черемушкин Н.Н., Донитова В.В., Кобринский Б.А., Гаврилов А.В., 20202020Шарифуллин Ф.А., Долотова Д.Д., Бармина Т.Г., Петриков С.С., Коков Л.С., Рамазанов Г.Р., Благосклонова Е.Р., Архипов И.В., Скоробогач И.М., Черемушкин Н.Н., Донитова В.В., Кобринский Б.А., Гаврилов А.В.Sharifullin F.A., Dolotova D.D., Barmina T.G., Petrikov S.S., Kokov L.S., Ramazanov G.R., Blagosklonova Y.R., Arkhipov I.V., Skorobogach I.M., Cheremushkin N.N., Donitova V.V., Kobrinski B.A., Gavrilov A.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.jnmp.ru/jour/article/view/936

Актуальность Применение методов нейровизуализации является неотъемлемой частью процесса оказания помощи больным с острыми нарушениями мозгового кровообращения (ОНМК), при этом золотым стандартом обследования данной категории больных является компьютерная томография (КТ). Значительно расширить возможности анализа КТ-изображений возможно с помощью современных методов машинного обучения, в том числе на основе применения принципов радиомики. Однако, так как использование этих методов требует наличия больших массивов DICOM (Digital Imaging and Communications in Medicine)-изображений, их внедрение в клиническую практику ограничено проблемой набора репрезентативных выборок. Кроме того, в настоящее время в открытом доступе практически не представлены коллекции, содержащие КТ-изображения больных c ОНМК, которые были бы пригодны для машинного обучения.

Цель В связи с вышесказанным, целью данной работы являлось создание коллекции DICOM-изображений нативной КТ и КТ-ангиографии у пациентов с различными типами ОНМК.

Материал и методы Основой для создания коллекции стали истории болезни пациентов, госпитализированных в региональный сосудистый центр НИИ СП им. Н.В. Склифосовского. Для формирования коллекции использовалась разработанная нами ранее специализированная платформа, позволяющая вводить клинические данные о случаях ОНМК, прикреплять к каждому случаю DICOM-изображения проведенных исследований, а также оконтуривать и тегировать (размечать) 3D-области интереса. Для тегирования был разработан словарь, элементы которого описывают тип патологического образования, локализацию и бассейн кровоснабжения.

Результаты В ходе работы была сформирована коллекция клинических случаев и изображений, включающая анонимизированную информацию о 220 пациентах, из них 130 - с ишемическим инсультом, 40 - с геморрагическим инсультом, а также 50 человек без цереброваскулярной патологии. Клинические данные включали сведения о типе ОНМК, наличии сопутствующих заболеваний и осложнений, длительности госпитализации, способе лечения и исходе. Всего для пациентов были введены результаты 370 исследований нативной КТ и 102 исследования КТ-ангиографии. На каждой серии изображений врачом-экспертом были оконтурены и протегированы области интереса, соответствующие прямым и косвенным признакам ОНМК.

Вывод Сформированная коллекция изображений позволит в последующем применить различные методы анализа данных и машинного обучения в решении важнейших практических задач, в том числе диагностики типа ОНМК, оценки объема поражения, прогноза степени неврологического дефицита.

Background The use of neuroimaging methods is an integral part of the process of assisting patients with acute cerebrovascular events (ACVE), and computed tomography (CT) is the «gold standard» for examining this category of patients. The capabilities of the analysis of CT images may be significantly expanded with modern methods of machine learning including the application of the principles of radiomics. However, since the use of these methods requires large arrays of DICOM (Digital Imaging and Communications in Medicine)-images, their implementation into clinical practice is limited by the lack of representative sample sets. Inaddition, at present, collections (datasets) of CT images of stroke patients, that are suitable for machine learning, are practically not available in the public domain.

Aim of study Regarding the aforesaid, the aim of this work was to create a DICOM images dataset of native CT and CT-angiography of patients with different types of stroke. Material and meth ods The collection was based on the medical cases of patients hospitalized in the Regional Vascular Center of the N.V. Sklifosovsky Research Institute for Emergency Medicine. We used a previously developed specialized platform to enter clinical data on the stroke cases, to attach CT DICOMimages to each case, to contour 3D areas of interest, and to tag (label) them. A dictionary was developed for tagging, where elements describe the type of lesion, location, and vascular territory.

Results A dataset of clinical cases and images was formed in the course of the work. It included anonymous information about 220 patients, 130 of them with ischemic stroke, 40 with hemorrhagic stroke, and 50 patients without cerebrovascular disorders. Clinical data included information about type of stroke, presence of concomitant diseases and complications, length of hospital stay, methods of treatment, and outcome. The results of 370 studies of native CT and 102 studies of CT-angiography were entered for all patients. The areas of interest corresponding to direct and indirect signs of stroke were contoured and tagged by radiologists on each series of images.

Conclusion The resulting collection of images will enable the use of various methods of data analysis and machine learning in solving the most important practical problems including diagnosis of the stroke type, assessment of lesion volume, and prediction of the degree of neurological deficit.

набор данныхинсульткомпьютерная томографияDICOM-изображениярадиомикамашинное обучениеdatasetstrokecomputed tomographyDICOM-imagesradiomicsmachine learningРабота выполнена при финансовой поддержке РФФИ в рамках научного проекта № 18-29-26007мкReferencesКорниенко В.Н., Пронина И.Н. (ред.) Диагностическая нейрорадиология. Москва: Издательство: “Т. М. Андреева”; 2006.Kornienko VN, Pronina IN. (eds.) Diagnosticheskaya neyroradiologiya. Moscow: Izdatel’stvo:T. M. Andreeva Publ.; 2006. (In Russ.)Суслина З.А., Пирадов М.А. (ред.) Инсульт: диагностика, лечение, профилактика. Москва: МЕДпресс–информ; 2008.Suslina ZA, Piradov MA. (eds.) Insul’t: diagnostika, lechenie, profilaktika. Moscow: MEDpress–inform Publ.; 2008. (In Russ.)Пирадов М.А., Крылов В.В., Белкин А.А., Петриков С.С. Инсульты. В кн.: Б.Р. Гельфанда, И.Б. Заболотских (ред.) Интенсивная терапия. Национальное руководство: краткое издание. 2-е изд., перераб. и доп. Москва: ГЭОТАР-Медиа; 2017. Гл. 2. с. 288–309.Piradov MA, Krylov VV, Belkin AA, Petrikov SS. Insul’ty. In: Gel’fanda BR, Zabolotskikh IB (eds.) Intensivnaya terapiya. 2nd ed., rev. and exp. Moscow: GEOTAR-Media Publ.; 2017. Ch. 2. pp. 288–309. (In Russ.)Суслина З.А., Варакин Ю.Я. Клинико-эпидемиологические исследования – перспективное направление изучения цереброваскулярной патологии (сообщение первое). Анналы клинической и экспериментальной неврологии. 2009; 3(3): 4–11.Suslina ZA, Varakin YuYa. Clinico-epidemiological studies a perspective direction for investigation of cerebrovascular disorders. Annals of Clinical and Experimental Neurology. 2009;3(3):4–11. (In Russ.)Верещагин Н.В., Пирадов М.А., Суслина З.А. Принципы диагностики и лечения больных в остром периоде инсульта. Атмосфера. Нервные болезни. 2002;(1):8–14.Vereshchagin NV, Piradov MA, Suslina ZA. Printsipy diagnostiki i lecheniya bol’nykh v ostrom periode insul’ta. Atmosfera. Nervnye bolezni. 2002;(1):8–14. (In Russ.)Chilamkurthy S, Ghosh R, Tanamala S, Biviji M, Campeau NG, Venugopal VK, et al. Development and Validation of Deep Learning Algorithms for Detection of Critical Findings in Head CT Scans. arXiv:1803.05854 [cs. CV]. 2018. URL: https://arxiv.org/abs/1803.05854 [Дата обращения 21.05.2020].Chilamkurthy S, Ghosh R, Tanamala S, Biviji M, Campeau NG, Venugopal VK, et al. Development and Validation of Deep Learning Algorithms for Detection of Critical Findings in Head CT Scans. arXiv:1803.05854 [cs. CV]. 2018. Available at: https://arxiv.org/abs/1803.05854 [Accessed 21 May 2020].Hajimani E, Ruano MG, Ruano AE. An intelligent support system for automatic detection of cerebral vascular accidents from brain CT images. Comput Methods Programs Biomed. 2017;146:109–123. PMID: 28688480 https://doi.org/10.1016/j.cmpb.2017.05.005Hajimani E, Ruano MG, Ruano AE. An intelligent support system for automatic detection of cerebral vascular accidents from brain CT images. Comput Methods Programs Biomed. 2017;146:109-123. PMID: 28688480 https://doi.org/10.1016/j.cmpb.2017.05.005ISLES: Ischemic Stroke Lesion Segmentation Challenge. URL: http://www.isles-challenge.org/ [Дата обращения 21.05.2020].ISLES: Ischemic Stroke Lesion Segmentation Challenge. Available at: http://www.isles-challenge.org/ [Accessed 21 May 2020].Dolotova D, Donitova V, Arhipov I, Sharifullin F, Zagriazkina T, Kobrinskii B, et al. A Platform for Collection and Analysis of Image Data on Stroke. Stud Health Technol Inform. 2019;262:312–315. PMID: 31349330 https://doi.org/10.3233/SHTI190081Dolotova D, Donitova V, Arhipov I, Sharifullin F, Zagriazkina T, Kobrinskii B, et al. A Platform for Collection and Analysis of Image Data on Stroke. Stud Health Technol Inform. 2019;262:312–315. PMID: 31349330 https://doi.org/10.3233/SHTI190081Mikhail P, Le MGD, Mair G. Computational Image Analysis of Nonenhanced Computed Tomography for Acute Ischaemic Stroke: A Systematic Review. J Stroke Cerebrovasc Dis. 2020;29(5):104715. doi:10.1016/j.jstrokecerebrovasdis.2020.104715Mikhail P, Le MGD, Mair G. Computational Image Analysis of Nonenhanced Computed Tomography for Acute Ischaemic Stroke: A Systematic Review. J Stroke Cerebrovasc Dis. 2020;29(5):104715. doi:10.1016/j.jstrokecerebrovasdis.2020.104715Hssayeni M. Computed Tomography Images for Intracranial Hemorrhage Detection and Segmentation (version 1.3.1). PhysioNet. 2020. https://doi.org/10.13026/4nae-zg36.Hssayeni M. Computed Tomography Images for Intracranial Hemorrhage Detection and Segmentation (version 1.3.1). PhysioNet. 2020. https://doi.org/10.13026/4nae-zg36.Enigma stroke recovery. URL: http://enigma.ini.usc.edu/ongoing/enigma-stroke-recovery/ [Дата обращения 21.05.2020].Enigma stroke recovery. Available at: http://enigma.ini.usc.edu/ongoing/enigma-stroke-recovery/ [Accessed 21 May 2020].Liew S, Anglin J, Banks N, et al. A large, open source dataset of stroke anatomical brain images and manual lesion segmentations. Sci Data. 2018;5:180011. https://doi.org/10.1038/sdata.2018.11Liew S, Anglin J, Banks N, et al. A large, open source dataset of stroke anatomical brain images and manual lesion segmentations. Sci Data. 2018;5:180011. https://doi.org/10.1038/sdata.2018.11

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