• Блог компании SkillFactory
• Python
• Мозг
• Здоровье
• TensorFlow

Известно ли вам, что в настоящее время более 700 000 американцев живут с опухолью головного мозга? И большинство из этих людей, ничего не подозревая, могут продолжать жить с этой опухолью до самой смерти, возможно, от других причин. Поскольку 70 % опухолей мозга доброкачественные, нередки случаи, когда человек, не зная забот, продолжает жить с опухолью мозга. Даже оставшиеся 30 % злокачественных раковых опухолей могут не привести к немедленной смерти. Как эти сгустки вышедших из-под контроля клеток влияют на структуру мозга? И как их наличие влияет на вас?

Что такое опухоль мозга

Как вы, вероятно, знаете, опухоль — это шишка или бугорок, образующиеся в результате аномального роста клеток. 

Опухоли могут быть доброкачественными и злокачественными. Доброкачественность опухоли означает, что она не является раковой. 70 % опухолей головного мозга — доброкачественные. Злокачественность опухоли означает, что она раковая и способна расти. 30 % опухолей головного мозга злокачественные.

Различных видов опухолей головного мозга существует более 120! Наиболее распространёнными опухолями являются глиобластома и метастатическая опухоль (это означает, что она возникла из рака, образовавшегося в другом органе). Глиобластомы часто приводят к летальному исходу, однако благодаря новым методам лечения, таким как иммунотерапия, больные глиобластомой могут жить дольше!

Несмотря на то что опухоли мозга отличаются друг от друга, есть несколько симптомов, характерных для всех опухолей мозга. Вот эти симптомы:

• новое проявление или изменение характера головной боли;

• головные боли, постепенно становящиеся более частыми и сильными;

• необъяснимая тошнота или рвота;

• проблемы со зрением: размытие, двоение в глазах или потеря периферического зрения;

• постепенная потеря чувствительности или затруднения при движении рук или ног;

• потеря равновесия;

• затруднённая речь;

• затруднения при выполнении повседневных дел;

• изменения личности или поведения;

• судороги, особенно у тех, кто не страдал судорогами в прошлом;

• проблемы со слухом.

Итак, мы кое-что узнали о физических симптомах, но как именно опухоль мозга влияет на физическую структуру мозга? Чтобы это выяснить, сначала нужно диагностировать опухоль.

Создание нейронной сети для диагностирования опухолей головного мозга

Как вообще диагностируются опухоли мозга? Как только у пациента начнут проявляться симптомы или если врач заподозрит опухоль мозга у пациента, он закажет снимок мозга, называемый МРТ. По снимку МРТ врач поймёт, что происходит в мозге, и сможет определить, есть ли у человека опухоль.

Размеры некоторых опухолей очень большие, но процент таких случаев не так велик. В основном опухоли мозга (особенно если у пациента нет явных симптомов)  — довольно мелкие образования! Именно это создаёт проблему при диагностировании, так как опухоли бывает трудно разглядеть на снимке МРТ и врач может просто её не заметить. Но есть выход — использовать искусственно созданную вещь, которая зорче людей… — компьютер!

Для создания нейронной сети сначала настроим нашу платформу — оболочку Jupyter Notebook. Для этого загрузим ряд необходимых пакетов:

import tensorflow as tf
import numpy as np
from keras. preprocessing import image
from keras. preprocessing.image import ImageDataGenerator from matplotlib import pyplot as plt
from matplotlib import pyplot as plt

Теперь, когда у нас есть оболочка Notebook, можем начинать настройку наших учебных данных! Сначала масштабируем данные с помощью следующего кода:

train_datagen = ImageDataGenerator(rescale = l*/255, shear_range = 0,2, zoom_range = 0.2, horizontal_flip = True)

После этого импортируем тренировочные данные с помощью flow_from_directory, а также внесём некоторые коррективы в изображения, чтобы их было легче использовать.

training_set = train_datagen.flow_from_directory('Location', target_size = (64,64), batch_size = 32, class_mode = 'binary')

В поле Location нужно указать местоположение набора данных. Итак, всё готово к созданию сети! Для добавления слоёв используем функцию cnn.add из библиотеки keras. Эта функция позволяет объединять, визуализировать и анализировать данные.

cnn = tf.keras. models.Sequential()
cnn.add(tf.keras.layers.Conv2D(filters=32, kernel_size = 3, activation= 'relu ', input_shape = [64, 64, 3]))
cnn.add(tf.keras.layers.MaxPool2D(pool_size = 2, strides = 2))
cnn.add(tf.keras.layers.Conv2D(filters=64, kernel_size=3, activation = 'relu'))
cnn.add(tf.keras.layers.MaxPool2D(pool_size=2, strides=2) ))
cnn.add (tf.keras.layers.Flatten())
cnn.add(tf.keras.layers.Dense (units=128, activation = 'relu'))
cnn.add(tf.keras.layers.Dense(units = 1, activation = 'sigmoid'))

Теперь внесём наши данные в процесс обучения нейронной сети!

cnn.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
cnn.fit(x = training_set, validationdata = test_set, epochs = 15)

Ещё несколько строк кода, и наша нейронная сеть готова! Последняя часть кода вводит наши тестовые данные (вместо тренировочных) и выводит результаты.

test_image = image.load_img('C:/Users/annah/Desktop/brain_tumor_dataset/training_set/Y2.jpg', target_size = (64, 64)) 
plt.imshow(test_image)
plt.title('Test Brain Image'), plt.xticks([]), plt.yticks([])
plt.show()
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = cnn.predict(test_image)
training_set.class_indices
if result[0][0] == 1:
	prediction = 'brain tumor present'
else:
	prediction = 'no brain tumor'
print(prediction)

Ожидаем результат.

Да, мы сделали это! Теперь, когда мы выявили опухоль мозга, давайте обсудим, как она влияет на наш коннектом.

Опухоли головного мозга и коннектом

Прежде чем начать разговор о влиянии опухоли мозга на коннектом, давайте поймём, что такое коннектом. Коннектом — это сеть нейронных связей в головном мозге. Это то, что помогает человеку запоминать, учиться и даже действовать!

Каждый раз, когда человек чему-то научается, его мозг претерпевает физические изменения — он становится более морщинистым! Изменения происходят не только снаружи, но внутри мозга, так как создаётся новая связь. Но, когда в мозге появляется что-то инородное (например, опухоль), это "что-то" может нарушить связи и затруднить выполнение тех или иных действий. Как же это происходит?

Чтобы понять, в чём заключается нарушение коннектома, необходимо сравнить его с коннектомом здорового человека. Рассмотрим мозг здорового испытуемого и сравним его с мозгом больного испытуемого с доброкачественной опухолью в средней части мозга.

Первое, что бросается в глаза, — это связи гиппокампа с другими частями мозга. Гиппокамп, как известно, отвечает за работу памяти и обучение.

У здоровых испытуемых наблюдались положительные корреляции (другими словами, положительное взаимодействие или увеличение взаимодействия) от гиппокампа к ипсилатеральному (расположенному на той же стороне) полушарию, отвечающему за координированное движение конечностей.

Но когда то же взаимодействие анализировалось у больного испытуемого, никакой корреляции от гиппокампа к ипсилатеральному полушарию обнаружено не было. Другими словами, связи между этими областями отсутствовали, и это неминуемо должно было приводить к проблемам с запоминанием последовательностей определённых действий, например действий по подниманию предметов.

В данном случае опухоль мозга прервала коннектомные связи между гиппокампом и ипсилатеральным полушарием. Чем больше опухоль, тем больше вероятность, что пациент заметит нарушения в повседневной жизни. Он может, например, забыть, как надо правильно ходить или как брать в руки предметы.

Теперь давайте посмотрим на нарушение работы сети в состоянии покоя (активность мозга в состоянии покоя) и его влияние на внутриполушарную (или внутреннюю) область мозга.

В этом исследовании здоровый мозг показал положительные корреляции между квадрантами внутри полушария. Эта часть мозга отвечает за коммуникацию и слуховые процессы. В состоянии покоя в здоровом мозге наблюдалось увеличение количества связей, определяющих качество слуховых процессов.

Но, с другой стороны, в мозге, поражённом опухолью, наблюдались отрицательные корреляции между квадрантами. В отличие от предыдущего эксперимента, в котором опухоль мозга полностью ликвидировала связи, в данном эксперименте опухоль мозга просто слегка изменила характер осуществляемых взаимодействий. Отрицательные корреляции означали, что вместо усиления слуховых процессов у испытуемого частично снижается слуховая функция.

В частности, в данном примере мы видим, как опухоль мозга смещает связи или изменяет их результат, но не ликвидирует такие связи. Для пациента это более благоприятный вариант, так как он сможет, возможно, не идеально, но всё-таки выполнять желаемые действия.

Результаты

Что мы узнали из этой публикации? Во-первых, мы научились обнаруживать опухоли мозга с помощью нейронной сети. С помощью Jupyter Notebook мы можем настроить нейронную сеть, обучить её на данных МРТ и затем получить результат на основе тестовых данных. Такой подход позволяет более эффективно и точно выявлять опухоли мозга, и пациент может получить лечение на более ранней стадии.

Выявив пациентов с опухолями мозга по нашему набору данных, мы использовали этот набор данных для изучения влияния опухолей мозга на коннектом. Мы узнали, что иногда опухоль мозга полностью ликвидирует связи, например связи между гиппокампом и областью полушарий. В других случаях опухоль просто смещает связь или меняет функцию, как, например, в области внутри полушария.

В любом случае опухоль мозга оказывает влияние на коннектом. Небольшая опухоль может приводить к небольшим изменениям, например, пациент может забыть, как поднимать предметы; большая опухоль может приводить к более серьёзным последствиям, например, пациент может потерять способность ходить.

Понимая, какое влияние опухоль мозга оказывает на коннектом, мы сможем лучше разрабатывать методы лечения и снижать негативные последствия. С помощью этих данных мы сможем персонализировать лечение каждого пациента и минимизировать воздействие опухоли.

Нейронные сети нашли широкое применение в медицине — они помогают врачам экономить силы и время, при помощи различных визуализаций направляя внимание на участки диагностических изображений, где вероятны проблемы. Вместе с тем искусственные нейросети в целом развиваются, совершенствуются и область их применения становится всё шире. Если вам интересно в решении проблем применять глубокое и машинное обучение, вы можете обратить внимание на курс "Machine Learning и Deep Learning", на котором студенты не только получают теоретические знания, но и рассматривают практическую сторону применения нейронных сетей и моделей ML.

Узнайте, как прокачаться и в других специальностях или освоить их с нуля:

• Профессия Data Scientist

• Профессия Data Analyst

• Курс по Data Engineering