تدريب نموذج ذكاء اصطناعي لاكتشاف تمزق الأبهر باستخدام صور تصوير مقطعي محوسبة غير متباين من مرضى بشريين

Yi Gao; Liu Siyu; Yirui Jiang; Xiyue Hu; Yuxuan Wu; Ke Li; Zhilin Guo; Huan Sun

doi:10.3791/71056

Method Article

تدريب نموذج ذكاء اصطناعي لاكتشاف تمزق الأبهر باستخدام صور تصوير مقطعي محوسبة غير متباين من مرضى بشريين

DOI:

10.3791/71056

⸱

May 29th, 2026

Yi Gao¹ , Liu Siyu² , Yirui Jiang² , Xiyue Hu² , Yuxuan Wu² , Ke Li² , Zhilin Guo³ , Huan Sun¹

¹Department of Cardiology, China-Japan Union Hospital of Jilin University, ²China-Japan Union Hospital of Jilin University, ³Chengdu Zhitu Intelligent Technology Co., Ltd

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يصف هذا البروتوكول تدريب نموذج ذكاء اصطناعي لاكتشاف تشريح الأبهر باستخدام صور تصوير مقطعي محوسبة غير متباينة، مما يتيح فحصا سريعا وسهل الوصول إليه في البيئات السريرية.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد تشريح الأبهر (AD) نتيجة شديدة لضعف توازن الأوعية الدموية ويتطلب تحديدا سريعا ودقيقا في الممارسة السريرية. يصف هذا البروتوكول نموذج تعلم قائم على الذكاء الاصطناعي لتحديد مرض الزهايمر باستخدام التصوير المقطعي المحوسب غير التباين (CT). تم جمع مجموعات بيانات تصوير الأوعية المقطعي المقطعي للصدر والتصوير المقطعي الأبهر من مرضى الزهايمر وغير المصابين بمرض الزهايمر في مستشفى من الدرجة الثالثة. تم تقسيم الهياكل الوعائية على كل صورة محورية يدويا وتعليق عليها باستخدام برنامج LabelMe مفتوح المصدر لإنشاء مجموعة بيانات تقسيم لتطوير وتقييم النموذج. تم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار وتحقق بنسبة 8:1:1 لتدريب النماذج والتحقق من الصحة. بعد تطوير نموذج يتمتع بأداء كشف قوي، تم إنشاء منصة معالجة عبر الإنترنت لعرض وتصوير النتائج بفعالية. يوفر هذا النهج أداة قوية وذكية للفحص السريع والأولي للمرض الزهايمر ويعالج الحاجة السريرية غير الملباة للكشف المبكر المتاح عبر بيئات سريرية متنوعة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تمزق الشريان الأبهر (AD) هو حالة حادة مهددة للحياة تتميز بدخول الدم إلى الطبقة الوسطى من جدار الشريان الأبهر عبر تمزق في البطانة الجسدية، مكونا تجويف زائف مشقح ومتمدد¹. بدون تشخيص وعلاج في الوقت المناسب، يكون معدل الوفيات مرتفعا للغاية، حيث بلغت نسبة الوفاة خلال 24 ساعة (بما في ذلك الوفاة قبل الوصول إلى المستشفى) 93٪². تصوير الأوعية المقطعية المحوسبة المحوسب بتقنية التباين (CTA) هو المعيار الذهبي لتشخيص مرض الزهايمر، حيث يمكنه بوضوح رؤية التلومين الحقيقي والخاطئ، وموقع التمزق، ومدى التورط³. ومع ذلك، يتطلب CTA حقن عوامل تباين تحتوي على اليود، والتي تحمل مخاطر التفاعلات التحسسية والسمية الكلوية ^4,5. بالإضافة إلى ذلك، فإن تحقيق توفر سريع على مدار 24 ساعة أمر صعب في العديد من المستشفيات الأولية أو حالات الطوارئ. في المقابل، لا يتطلب التصوير المقطعي المقطعي غير المقاوم (NCCT) عوامل تباين، مما يوفر فحصا سريعا ومريحا بجرعة إشعاع منخفضة نسبيا وتطبيق أوسع. ومع ذلك، في صور NCCT، يكون التباين بين التلومين الحقيقي والكاذب، وكذلك بين الشريحة الجسدية والدم، منخفضا، مما يشكل تحديات كبيرة للتشخيص البصري للأطباء ويؤدي بسهولة إلى تشخيصات خاطئة أو خاطئة، خاصة بين الأطباء الأقل خبرة. لذلك، فإن تطوير تقنية قادرة على تحقيق اكتشاف تلقائي عالي الدقة والحساسية لمرض الزهايمر مباشرة من صور NCCT يحمل قيمة سريرية مهمة وآفاق تطبيق.

مكنت التطورات الحديثة في التعلم العميق من التعرف الدقيق على السمات المرضية من خلال الصور الطبية غير التباينية ^6,7. تحافظ شبكة عالية الدقة (HRNet) على خرائط ميزات عالية الدقة في جميع أنحاء الشبكة، بينما تعزز شبكة الضغط والإثارة (SENet) تمثيل الميزات من خلال نمذجة التبعيات بين القنوات⁸. يوفر دمج HRNet و SENet استراتيجية فعالة لاستخراج الميزات لتمثيل صور NCCT متعددة المقياسات، وهو أمر بالغ الأهمية لاكتشاف علامات الزهايمر الدقيقة، مثل الشرائح القصيرة وعلامات التلومين المزدوج. هنا، يتم تنفيذ مفهوم استخراج الميزات هذا ضمن إطار كشف الكائنات باستخدام MMDetection وشبكة الأعصاب الالفافية المعتمدة على منطقة التسلسلات (R-CNN)، مما يتيح تحديد موقعا وتصنيفا قويا لتشريح الأبهر.

في هذه الدراسة، يستخدم نموذج الذكاء الاصطناعي (AI) المبني على HRNet+SENet عملية تدريب خطوة بخطوة لتحديد AD من صور NCCT (الشكل 1). يركز على توحيد مجموعات البيانات، واستخراج الميزات على عدة مقاييس، والقدرة على التكيف السريري. الهدف من هذه الطريقة هو توفير نهج موثوق للكشف عن مرض الزهايمر، خاصة في حالات الطوارئ والرعاية الأولية حيث يكون التصوير المعزز بالتباين محدودا أو غير متوفر.

figure-introduction-1
الشكل 1. سير عمل نموذج الذكاء الاصطناعي (AI) للكشف عن تشريح الأبهر (AD). مخطط خط تدريب نموذج الذكاء الاصطناعي لاكتشاف التشطفير باستخدام صور التصوير المقطعي المحوسوب غير التباين (NCCT). يشمل سير العمل إعداد البيانات (جمع الصور والتعليق، توحيد الصيغ والمعالجة المسبقة، وتقسيم مجموعات البيانات)، وبناء النماذج (هيكل HRNetV2p-W32 المدمج ضمن إطار كشف Cascade R-CNN ومهيأ بأوزان مدربة مسبقا من COCO)، تدريب النماذج (محسن SGD، معدل تعلم تلدين جيب تمام، وفقدان الإنتروبيا المتقاطعة)، وتقييم النموذج (المقاييس الكمية والتصوير النوعي)، والتطبيق السريري. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم إجراء جميع جمع البيانات المتعلقة بالبشر في هذه الدراسة وفقا للمعايير الأخلاقية لإعلان هلسنكي، وتمت الموافقة عليه من قبل لجنة الأخلاقيات في مستشفى الاتحاد الصيني الياباني بجامعة جيلين (رقم الموافقة: 2019103004). تم الحصول على موافقة مستنيرة كتابيا من جميع المشاركين الأفراد أو من أوصيائهم القانونيين قبل جمع معلوماتهم ذات الصلة. تم الحفاظ على جميع المعلومات الشخصية للأشخاص سرية تماما لحماية خصوصيتهم، ولم تجر أي عمليات تجريبية على المشاركين أثناء عملية جمع البيانات.

1. بناء مجموعة البيانات

جمع البيانات وتقسيم مجموعات البيانات
1. اجمع صور الأشعة المقطعية للصدر السريرية غير المتباين من 300 مريض تم إدخالهم في مستشفى الاتحاد الصيني-الياباني بجامعة جيلين بين 1 مارس 2022 و1 مارس 2025، بما في ذلك 150 مريضا مصابا بمرض الزهايمر و150 مريضا بدون مرض التهاب الحيز تم التحقق من قبل CTA. يشمل ADs من النوع A والنوع B. جميع بيانات التصوير الخام مقيدة من قبل المؤسسات وغير متاحة للجمهور بسبب خصوصية المرضى والقيود الأخلاقية.
2. قسم مجموعة البيانات إلى مجموعات تدريب، والتحقق من الصحة، والاختبار بنسبة 8:1:1 على مستوى المريض. تأكد من أن جميع شرائح مريض واحد تبقى ضمن مجموعة واحدة لتجنب تسرب البيانات.
3. إجراء أخذ عينات طبقية بناء على تشخيص AD/غير AD للحفاظ على توازن الفئة عبر جميع المجموعات الفرعية.
4. تم تقسيم مجموعة البيانات مسبقا على مستوى المريض كما هو موضح أعلاه لتجنب تسرب المعلومات على مستوى المريض. تم اعتماد بذرة عشوائية ثابتة بقيمة 42 لخوارزمية التدريب للتحكم في العمليات العشوائية بما في ذلك خلط البيانات، والتعزيز عبر الإنترنت، وتهيئة النماذج أثناء التدريب؛ كانت هذه البذرة مستقلة ولم تطبق على تقسيم مجموعات البيانات.
  تحذير: تأكد من أن جميع بيانات تصوير المرضى مخفية بالكامل قبل المعالجة لحماية خصوصية المريض والامتثال للإرشادات المؤسسية والتنظيمية.
استبعاد البيانات
1. استبعد الصور التي تحتوي على تشوهات حركية شديدة.
2. استبعد الصور التي لا يوجد بها نطاق مسح كاف ولا تغطي الشريان الأبهر بالكامل.
3. استبعد الصور التي تحتوي على ضوضاء صورة مفرطة، والتي تعرف بأنها انحراف معياري لقيم التوهين المقطعي المقطعي الذي يتجاوز 30 وحدة HU في الشريان الأبهر الصدري الهابط.
تحويل الصورة
1. تحميل بيانات صور DICOM وتصدير شرائح الصور المحورية باستخدام برنامج معالجة الصور ITK-SNAP.
2. شغل ITK-SNAP وانقر على ملف → فتح الصورة الرئيسية.
3. اختر سلسلة DICOM المصدر واضغط فتح.
4. تنقل بين الشرائح المحورية باستخدام شريط الشرائح الخاص بالشريحة.
5. قم بتصدير كل شريحة بالنقر على ملف → تصدير شريحة → الصورة.
6. اختر تنسيق PNG وحدد مجلد الإخراج.
7. احفظ كل شريحة كملف فردي.
8. جميع شرائح الصور المصدرة كانت تسمى بشكل موحد وفقا للتنسيق الثابت IMG-[PatientID]-[SliceIndex].png، معتمدة معرفات مريض فريدة وترقيم شرائح متسلسل لضمان التتبع.
إعداد التعليق على الصور
1. افتح كل صورة محورية باستخدام برنامج التعليق التوضيحي LabelMe.
2. شغل LabelMe واضغط على فتح الدليل.
3. انتقل إلى المجلد الذي يحتوي على صور محورية وحمل جميع الصور.
التقسيم اليدوي
1. اختر أداة إنشاء مضلعات في LabelMe لتوضيح الهياكل الوعائية (الشكل 2). يشمل التجويف الأبهري، والرفرف الداخلي، وحدود التشريح المرئي أثناء التعليق. أثناء وضع العلامات، تم تشكيل البنية الأبهرية بالكامل التي تشمل شريحة الحافة كمنطقة متكاملة واحدة. غطى نطاق التعليق بشكل موحد الجزء الأبهر المرئي بالكامل مع آفات تشريحية وحدود تمزق الداخلي، دون تقسيم أو تمييز منفصل بين التلومين الحقيقي أو التجويف الكاذب أو المناطق الوعائية المستقلة.
2. حدد حدود الأوعية بوضع رؤوس على طول البنية.
3. أغلق المضلع بربط الرأس الأخير بالرأس الأول.
4. قم بتعديل التعليقات باستخدام أداة تعديل المضلعات حسب الحاجة.
تعيين المسمات
1. تم تصنيف كل تعليق مضلع نهائي باستخدام فئتين موحدة ومتوافقة مع الحالة: "تشريح الأبهر" لتشريح الشريان الأبهر و"صحي" للصور الطبيعية للأبهر.
2. تأكد من استخدام أسماء التصنيفات بشكل متسق عبر جميع التعليقات والبقاء متطابقة في التهجئة والتنسيق عبر مجموعة البيانات.
3. اختر التسميات من القائمة المنسدلة أو أدخلها يدويا.
4. اضغط على موافقة أو اضغط Enter لتأكيد تعيين التصنيف.
5. احفظ التعليقات لتوليد ملفات JSON.
  ملاحظة: قد يختلف التعليق اليدوي بين المشغلين. تأكد من معايير التعليق المتسقة، وإذا أمكن، إشراك التحقق من الخبراء.
تصدير التعليقات التوضيحية
1. تفعيل الحفظ التلقائي لتصدير التعليقات التوضيحية بصيغة JSON.
2. تأكد من أن كل ملف JSON يتوافق مع شريحة CT الأصلية الخاصة به.
3. تحقق من أن كل ملف تعليق يحتفظ بتطابق واحد لواحد مع ملف الصورة المرتبط به.
4. حول تعليقات JSON إلى صيغة متوافقة مع إطار التدريب. تم تحويل تعليقات JSON الخاصة ب LabelMe إلى تنسيق COCO عبر سكريبت بايثون مخصص قبل التدريب. تم تحميل الملفات المحولة (output_coco_annotations_{split}.json، حيث split = train، valid، or test) في MMDetection 2.x باستخدام CocoDataset مع LoadAnnotations (with_bbox=True).
مراقبة جودة البيانات
1. قم بإزالة الإدخالات غير الصالحة بناء على معايير جودة محددة مسبقا، بما في ذلك ملفات الصور المفقودة، أو التعليقات غير المكتملة، أو أزواج الصورة-التعليقات غير المتطابقة.
2. إنشاء وتسمية ملفات تعليقات COCO النظيفة للتدريب والتحقق والاختبار. تم حفظ التعليقات النظيفة كملفات JSON خاصة بتقسيم COCO باستخدام قاعدة التسمية الثابتة output_coco_annotations_{split}.json. تحديدا، كانت ملفات الإخراج الثلاثة هي train/output_coco_annotations_train.json، valid/output_coco_annotations_valid.json، وtest/output_coco_annotations_test.json، مع تخزين الصور المقابلة في train/images/، valid/images/، وtest/images/. تم استخدام هذه الملفات مباشرة من قبل خط تدريب MMDetection.
تنظيم مجموعة البيانات
1. نظم مجموعة البيانات في أدلة تدريب، تحقق، وأدلة اختبار مقسمة. تم تنظيم مجموعة البيانات تحت الدليل الجذري aortic_dissection_dataset/ وقسمته إلى ثلاثة أدلة فرعية محددة حسب القسم: train/، valid/، وtest/. كل مجلد فرعي يحتوي على صور/مجلد يحتوي على ملفات الصور التي تنتمي لذلك القسم.
2. تخزين ملفات التعليقات التوضيحية الخاصة ب COCO الخاصة بالتقسيم داخل كل مجلد تقسيم مقابل بدلا من مجلد الجذر الخاص بمجموعة البيانات. تم حفظ تعليقات التدريب، والتحقق، والاختبار كقطار/output_coco_annotations_train.json، صالح/output_coco_annotations_valid.json، واختبار/output_coco_annotations_test.json على التوالي. تم تحميل هذه الملفات عن طريق تكوين مسارات ann_file img_prefix الخاصة بالتقسيم أثناء إعداد النموذج.
3. حافظ على هيكل دليل متسق عبر مجموعات بيانات التدريب والتحقق والاختبار لضمان التوافق مع إطار التدريب.
خط أنابيب بيانات التدريب
1. تحميل الصور وتعليقات صندوق الإحاطة.
2. قم بتغيير حجم الصور إلى 512×512 مع الحفاظ على نسبة العرض إلى الارتفاع.
3. طبق الانقلاب العشوائي باحتمال 0.5.
4. تطبيق تعزيز البيانات باستخدام إعدادات معلمات صريحة. خلال التدريب، تم تغيير حجم الصور المدخلة إلى 512 × 512 بكسل (keep_ratio=صحيح) تلتها التعزيزات: التقليب العشوائي (flip_ratio=0.5)، تعديل غاما (gamma_limit=90–110، p=0.4)، تعديل السطوع/التباين (brightness_limit=0.15، contrast_limit=0.15، p=0.4)، التحويل الهندسي (shift_limit=0.03، scale_limit=0.08، rotate_limit=10°، p=0.4)، والضوضاء الغاوسية (var_limit=5.0–25.0، p=0.2). تم تعديل حجم الصور والصور التجريبية وتعديلها وتعزيزها فقط دون الحاجة إلى تعزيزات.
5. تطبيق جميع عمليات التعزيز باستخدام إعدادات معلمات متسقة عبر جولات التدريب لضمان قابلية التكرار.
6. تطبيع الصور باستخدام المتوسط [123.675، 116.28، 103.53] والانحراف المعياري [58.395، 57.12، 57.375].
7. صور اللوحة إلى مضاعفات 32.
خط أنابيب التحقق والاختبار
1. تحميل الصور.
2. غير حجم الصور.
3. تطبيع الصور.
4. صور اللوحة إلى مضاعفات 32.
بناء إطار النموذج
1. بناء كاشف كائنات من فئتين بتقنية MMDetection 2.x باستخدام تكوين HRNetV2p-W32 + Cascade R-CNN المعدل. تم تنفيذ الكاشف في MMDetection 2.x بناء على cascade_rcnn_hrnetv2p_w32_20e_coco.py التكوين الرسمي وتهيئة بأوزان محصنة مسبقا من قبل COCO cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
  928455a4.pth.
2. استخدم HRNetV2p-W32 كعمود فقري وكاسكيد R-CNN ككاشف كما هو معرف في التكوين الموضح في الخطوة 1.12.1.
3. تكييف تكوين MMDetection الأساسي لمهمة الفئتين. تم تعديل النموذج لمهمة الفئتين بتعيين num_classes = 2 مع أسماء الفئات "تشريح الأبهر" و"صحي"، وتحديث مسارات مجموعات البيانات للتدريب والتحقق ومجموعات الاختبار. تم حفظ التكوين النهائي القابل لإعادة الإنتاج ك AorticDissection_full_pipeline_config.py.
4. عرف الفئات بأنها تشريح الأبهر وصحي.
تكوين التدريب
1. تدرب باستخدام بطاقة NVIDIA RTX 3080 Ti.
2. اضبط المحسن على هبوط التدرج العشوائي.
3. اضبط معدل التعلم إلى 0.0001.
4. اضبط الزخم على 0.9.
5. اضبط تحلل الوزن إلى 0.0001.
6. اضبط عدد العصور إلى 30.
7. اضبط حجم الدفعة إلى 1 لكل بطاقة رسوميات.
8. طبق جدولة معدل التعلم بنظام جيب تمام، معتمدة على إيبوك، مع إعدادات تسخين صريحة. استخدم معدل التعلم جدولة جيب تمام قائم على العصر (by_epoch=صحيح) مع تسخين خطي لأول 500 تكرار (warmup_ratio=1e-4). استمر التدريب لمدة 30 عصرا، مع معدل تعلم أدنى يتحكم فيه min_lr_ratio=1e-2.
9. استخدم FocalLoss و SmoothL1Loss.
  ملاحظة: يمكن إيقاف البروتوكول مؤقتا بعد بناء وتقسيم مجموعة البيانات. قم بتخزين جميع البيانات المعالجة بأمان قبل المتابعة.

figure-protocol-1
الشكل 2. التعليق اليدوي على صورة NCCT. صورة محورية تمثيلية لسرطان العدوى النارية توضح التعليق اليدوي على مرض الزهايم. يتم تحديد المنطقة الأبهرية والخصائص المرضية، بما في ذلك الشريحة الداخلية، باستخدام مضلع (أخضر). تستخدم هذه الصورة المشروحة لتدريب النماذج. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

2. بنية النماذج

إعداد النموذج
1. قم ببناء الكاشف ذو الفئتين في MMDetection 2.x باستخدام كود التكوين القابل للتنفيذ. تم بناء الكاشف في MMDetection 2.x من التكوين الرسمي cascade_rcnn_hrnetv2p_w32_20e_coco.py عبر Config.fromfile(...)، ثم تم تعديله ليكون مهمة من فئتين (num_classes=2، أسماء الفئات: "تشريح الشريان الأبهري"، "صحي") مع مسارات بيانات مخصصة. تم تجسيد النموذج عبر build_detector(...) و init_detector(...)، مع تصدير التكوين الكامل النهائي ك AorticDissection_full_pipeline_config.py.
2. إدخال صور NCCT محورية في النموذج.
3. صناديق تحديد المخرجات، وتسميات الفئات، ودرجات الثقة (الشكل 3).
4. استخدم تعليقات تقسيم المضلعات التي تولد أثناء إعداد مجموعة البيانات لتحديد مناطق الاهتمام، وحول هذه التعليقات إلى صناديق إحاطة لتدريب النماذج، والتصور، والكشف النهائي.
  ملاحظة: يستخدم إطار الكشف هذه الصناديق المحيطة لتوليد مخرجات التصنيف النهائية ودرجات الثقة.
تكوين العمود الفقري
1. استخدم HRNetV2p-W32 كشبكة عمود فقري.
2. قم بإزالة جميع وحدات الإضافات لضمان استقرار التدريب.
بنية الكشف
1. استخدم كاسكيد R-CNN للكشف.
الفقدان وتكوين المرساة
1. قم بتكوين خسائر التصنيف والانحدار مع إعدادات معلمات صريحة. في رؤوس العائد على الاستثمار، تم تعيين خسارة التصنيف على FocalLoss مع use_sigmoid=True و loss_weight = 1.0. تم تعيين خسارة الانحدار في صندوق العائد على العائد على SmoothL1Loss مع بيتا = 1.0 و loss_weight = 0.5. في RPN، تم تعيين خسارة التصنيف أيضا إلى FocalLoss مع use_sigmoid=True و loss_weight = 1.0، بينما تم تعيين خسارة الانحدار إلى L1Loss مع loss_weight = 1.0.
2. حدد نسب العرض إلى الارتفاع المخصصة للمرساة. تم تخصيص نسب العرض إلى الارتفاع لمرساة RPN بشكل صريح إلى 0.5، 1.0، 2.0، و3.0.
3. احتفظ بقيم مقياس المرساة الافتراضية من التكوين الرسمي لقاعدة MMDetection. اعتمدت هذه الدراسة قيم مقياس المرساة الافتراضية من ملف التكوين الرسمي ل MMDetection cascade_rcnn_hrnetv2p_w32_20e_coco.py، دون تعديل يدوي إضافي.
تعريف المخرج
1. توقعات النتيجة لفئتين: تشريح الأبهر والصحي.

figure-protocol-2
الشكل 3. اكتشاف مرض الزعر باستخدام نموذج الذكاء الاصطناعي. يسار: إدخال صورة NCCT. يمين: مخرجات النموذج تظهر اكتشاف مرض الزهايم، مع تمييز المنطقة المتوقعة بمربع محدد ودرجة ثقة مرتبطة. يوضح هذا الشكل تحديد مرض الزهايمر في صور NCCT وتصور نتائج الكشف. درجة الثقة تمثل ثقة النموذج في توقع اكتشاف مرض الزهابر. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

3. تدريب النماذج

بيئة التدريب
1. قم بالتدريب على بطاقة رسومات NVIDIA RTX 3080 Ti.
2. استخدم أوبونتو 22.04.1 LTS.
3. استخدم PyTorch 2.0.1، MMCV 1.7.2، وMMDetection 2.28.2.
تهيئة النموذج
1. تهيئة النموذج باستخدام نقطة تفتيش محددة مدربة مسبقا من قبل COCO مع HRNetV2p-W32 + Cascade R-CNN. تم تهيئة الكاشف من نقطة تفتيش مدربة مسبقا بواسطة COCO محددة صراحة في تكوين التجربة ك cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. تم استخدام هذه النقطة كملف وزن تهيئة للتعلم التحويلي في هذه الدراسة.
2. إعادة تهيئة طبقات التصنيف لفئتين.
المعاملات الفائقة
1. اضبط المحسن على هبوط التدرج العشوائي.
2. اضبط معدل التعلم إلى 0.0001.
3. اضبط الزخم على 0.9.
4. اضبط تحلل الوزن إلى 0.0001.
5. اضبط عدد العصور إلى 30.
6. اضبط حجم الدفعة إلى 1.
7. اضبط الجدول على التلدين بالجيب التمام مع الإحماء.
تنفيذ التدريب
1. قم بتحميل الصور والتعليقات التوضيحية.
2. أعد حجم الصور إلى 512×512.
3. طبق التعزيزات.
4. قم بتطبيع الصور ووضعها على الوسادات.
5. إجراء تدريب النماذج باستخدام سكريبت خط الأنابيب الكامل المخصص MMDetection 2.x: python full_pipeline_mmdet2_aortic_dissection.py، الذي يقوم بتحميل وتكييف التكوين الأساسي الرسمي ويبدأ التدريب باستخدام وظائف build_detector(...) و train_detector(...).
  ملاحظة: تم تنفيذ السكريبت ضمن بيئة MMDetection 2.28.2 مع تثبيت جميع التبعيات كما هو محدد في جدول المواد.
6. قيم الأداء على مجموعة التحقق بعد كل حقبة.
7. حافظ على ظروف تدريب متسقة بما في ذلك ترتيب البيانات، إعدادات المعلمات، وتكوين الأجهزة لتكرار التكرار.
اختيار النماذج
1. اختر النموذج الأفضل أداء بناء على أعلى متوسط دقة متوسط (bbox_mAP) في صندوق الحدود تم الحصول عليه في مجموعة التحقق.
  ملاحظة: قد تشمل معايير الاختيار الدقة، الحساسية، النوعية، أو معامل النرد حسب أهداف الدراسة.
التقييم النهائي
1. قيم النموذج على مجموعة الاختبار المستقلة باستخدام COCOeval. تم تنفيذ التقييم من خلال full_pipeline_mmdet2_aortic_dissection.py السكريبت مع run_train=خطأ و run_eval=صحيح. كان السكربت يحمل نقطة التحقق المختارة، ويولد التنبؤات على مجموعة الاختبار المستقلة، ويحولها إلى ملفات نتائج بتنسيق COCO، ويحسب مقاييس bbox باستخدام COCOeval.
  ملاحظة: تم إجراء التقييم في نفس بيئة MMDetection 2.28.2 لضمان الاتساق مع إعداد التدريب.
2. مقاييس التقرير تشمل mAP، AP50، AP75، وAP لكل دفعة.
3. قم بإجراء التقييم باستخدام نفس تقسيم مجموعة البيانات وتعريفات المقاييس لضمان الاتساق عبر التجارب.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا القسم النتائج القابلة لإعادة الإنتاج والتحقق منها من خلال نموذج كشف الكائنات ذو الفئتين لاكتشاف AD من صور NCCT، متوافقا بدقة مع خط أنابيب التدريب المعتمد وإطار تقييم COCO (الشكل 1). جميع المقاييس مشتقة من مجموعة الاختبار المحتجزة باستخدام COCOeval، دون وجود بيانات مزيفة أو مؤشرات غير مثبتة.

أداء الكشف الكمي

تم تقييم النموذج على مجموعة اختبار محفوظة تضم 140 صورة (154 تعليق توضيح...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

قد يواجه الأطباء السريريون، وخاصة أطباء الطوارئ، تراجعا في الأداء التشخيصي عندما يظهر المرضى بأعراض غير نمطية أو عندما يفرض حجم المرضى الكبير في قسم الطوارئ ضيقا زمنيا. على النقيض من ذلك، يمكن لنموذج الذكاء الاصطناعي المدرب على تحديد مرض الزهايمر في NCCT أن يقدم أداء ثابتا ومستقرا حتى لدى المرضى الذين لا تظهر عليهم أعراض، دون أن يكون محدودا بوقت القراءة، مما قد يحسن دقة وكفاءة تشخيص AD والورم الدموي داخل المراس⁹.

تعد مرحلة بناء مجموعة ا...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون عدم وجود تضارب مصالح.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشكر المؤلفون بكل امتنان قسم الأشعة في مستشفى الاتحاد الصيني الياباني بجامعة جيلين على توفير بيانات التصوير السريري والدعم المتخصص في التعليقات التوضيحية. وقد دعمت هذه الدراسة إدارة العلوم والتكنولوجيا في مقاطعة جيلين، الصين (رقم المنحة 20220402076GH).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
بنية كاسكيد R-CNN	OpenMMLab (MMDetection)	الإعدادات/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	بنية الكشف المستخدمة في إطار العمل
صور التصوير المقطعي المحوسبة للصدر (بدون تباين)	مجموعة بيانات سريرية ذاتية الإنشاء	مجموعة الصور المحورية NCCT	بيانات التصوير السريري المستخدمة في تطوير النماذج
ملفات التعليقات التوضيحية بتنسيق COCO	يتم توليدها أثناء البروتوكول	JSON (تنسيق COCO)	ملفات التعليقات التوضيحية المحولة المستخدمة في تدريب النماذج
أوزان COCO المدربة مسبقا	حديقة نماذج OpenMMLab MMDetection	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	يستخدم لتهيئة النموذج
بنية HRNetV2p-W32	OpenMMLab (MMDetection)	العمود الفقري HRNetV2p-W32 (تم تنفيذه في MMDetection 2.28.2)	نموذج العمود الفقري المستخدم
ITK-SNAP	فريق تطوير ITK-SNAP	3.8.0	يستخدم لتحويل تنسيقات الصورة وتصدير الشرائح
ملفات تعليقات JSON	إخراج LabelMe	تنسيق JSON القياسي	تحتوي على إحداثيات التعليق والتسميات
ليبل مي	معهد ماساتشوستس للتكنولوجيا (MIT CSAIL)	4.8.3	يستخدم في التعليق اليدوي على الصور
MMDetection	OpenMMLab	2.28.2	إطار كشف الكائنات المستخدم في التنفيذ
MMCV	OpenMMLab	1.7.2	المكتبة الأساسية التي تدعم MMDetection
نومباي	مطورو نومبي	1.26.4	مكتبة الحوسبة العددية
بطاقة رسومات NVIDIA RTX 3080 Ti	NVIDIA	RTX 3080 Ti	الأجهزة المستخدمة في التدريب
OpenCV	OpenCV	4.9.0	معالجة الصور والتصوير
بايكوكوتول	واجهة برمجة تطبيقات PyPI / COCO	2.0.6	مكتبة تقييم تنسيق COCO
بايثون	مؤسسة بايثون للبرمجيات	3.10.20	بيئة البرمجة
بايتورش	بايتورش	2.0.1+cu118	إطار التعلم العميق
تورش فيجن	بايتورش	0.15.2+cu118	أدوات الرؤية
نظام تشغيل أوبونتو	القانوني	22.04.1 LTS	نظام بيئة التدريب

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

تدريب نموذج ذكاء اصطناعي لاكتشاف تمزق الأبهر باستخدام صور تصوير مقطعي محوسبة غير متباين من مرضى بشريين

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

Reprints and Permissions

Tags

Related Articles