Entrenamiento de un modelo de inteligencia artificial para la detección de disección aórtica utilizando imágenes de tomografía computarizada sin contraste de pacientes humanos

Summary

Este protocolo describe el entrenamiento de un modelo de inteligencia artificial para detectar la disección aórtica utilizando imágenes de tomografía computarizada sin contraste, permitiendo un cribado rápido y accesible en entornos clínicos.

Abstract

La disección aórtica (EA) es una consecuencia extrema de una homeostasis de remodelación vascular deteriorada y requiere una identificación rápida y precisa en la práctica clínica. Este protocolo describe un modelo de aprendizaje basado en inteligencia artificial para la identificación de la EA utilizando tomografía computarizada (TC) sin contraste. Se recopilaron conjuntos de datos de angiografías de TC de tórax y de aorta de pacientes con y no EA en un hospital terciario de grado A. Las estructuras vasculares de cada imagen axial se segmentaron y anotaron manualmente utilizando el software de código abierto LabelMe para establecer un conjunto de datos de segmentación para el desarrollo y evaluación de modelos. El conjunto de datos se particionó en conjuntos de entrenamiento, prueba y validación con una proporción de 8:1:1 para entrenamiento y validación del modelo. Tras el desarrollo de un modelo con un rendimiento de detección robusto, se construyó una plataforma de procesamiento en línea para visualizar y presentar los resultados de manera eficaz. Este enfoque proporciona una herramienta poderosa e inteligente para el cribado rápido y preliminar de la EA y responde a la necesidad clínica no satisfecha de una detección temprana accesible en diversos entornos clínicos.

Introduction

La disección aórtica (EA) es una afección aguda que pone en peligro la vida y se caracteriza por la entrada de sangre en la capa medial de la pared aórtica a través de un desgarro en el revestimiento íntimo, formando un falso lumen¹ que diseca y se expande. Sin un diagnóstico y tratamiento oportunos, la tasa de mortalidad es extremadamente alta, y la incidencia de muertes en un plazo de 24 horas (incluyendo la muerte antes de llegar al hospital) fue del 93%^2. La angiografía por tomografía computarizada con contraste (CTA) es el estándar de oro para el diagnóstico de la EA, ya que puede visualizar claramente los lumenes verdaderos y falsos, la ubicación del desgarro y el grado de^{afectación 3}. Sin embargo, la CTA requiere la inyección de agentes de contraste que contienen yodo, que conllevan riesgos de reacciones alérgicas y^{nefrotoxicidad 4,5}. Además, lograr disponibilidad rápida las 24 horas es difícil en muchos hospitales de primaria o en entornos de urgencias. En cambio, la tomografía computarizada sin contraste (NCCT) no requiere agentes de contraste, ofreciendo un examen rápido y conveniente con una dosis de radiación relativamente baja y una aplicación más amplia. Sin embargo, en las imágenes NCCT, el contraste entre los lúmenes verdaderos y falsos, así como entre el colgajo íntimo y la sangre, es bajo, lo que supone importantes dificultades para el diagnóstico visual de los médicos y puede llevar fácilmente a diagnósticos fallidos o erróneos, especialmente entre clínicos menos experimentados. Por lo tanto, el desarrollo de una técnica capaz de lograr la detección automática de la EA de alta precisión y alta sensibilidad directamente a partir de imágenes NCCT tiene un valor clínico importante y perspectivas de aplicación.

Los avances recientes en aprendizaje profundo han permitido la identificación precisa de características patológicas a partir de imágenes médicas sin^{contraste 6,7}. La red de alta resolución (HRNet) mantiene mapas de características de alta resolución en toda la red, mientras que la red de presión y excitación (SENet) mejora la representación de características modelando dependencias entre^{canales 8}. La combinación de HRNet y SENet proporciona una estrategia eficaz de extracción de características para la representación multiescala de imágenes NCCT, lo cual es crucial para detectar signos sutiles de AD, como solapas íntimas y signos de doble luz. En este caso, este concepto de extracción de características se implementa dentro de un marco de detección de objetos utilizando MMDetection y la Red Neuronal Convolucional basada en Regiones en Cascada (R-CNN), lo que permite una localización y clasificación robusta de la disección aórtica.

En este estudio, el modelo de inteligencia artificial (IA) basado en HRNet+SENet emplea un proceso de entrenamiento escalonado para identificar la DA a partir de imágenes NCCT (Figura 1). Hace hincapié en la estandarización de conjuntos de datos, la extracción de características multiescala y la adaptabilidad clínica. El objetivo de este método es proporcionar un enfoque fiable para la detección de EA, especialmente en entornos de urgencias y atención primaria donde la imagen con contraste es limitada o no está disponible.

Figura 1. Flujo de trabajo del modelo de inteligencia artificial (IA) para la detección de disección aórtica (DA). Esquema de la cadena de entrenamiento del modelo de IA para la detección de DA utilizando imágenes de tomografía computarizada sin contraste (NCCT). El flujo de trabajo incluye la preparación de datos (recogida y anotación de imágenes, estandarización y preprocesamiento de formatos, y división de conjuntos de datos), construcción del modelo (columna vertebral HRNetV2p-W32 integrada dentro de un marco de detección Cascade R-CNN e inicializada con pesos preentrenados COCO), entrenamiento del modelo (optimizador SGD, tasa de aprendizaje de recocido coseno y pérdida de entropía cruzada), evaluación del modelo (métricas cuantitativas y visualización cualitativa) y aplicación clínica. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Protocol

Toda la recopilación de datos relacionados con el ser humano en este estudio se realizó conforme a los estándares éticos de la Declaración de Helsinki y fue aprobada por el Comité de Ética del Hospital de la Unión China-Japón de la Universidad de Jilin (Número de Aprobación: 2019103004). Se obtuvo el consentimiento informado por escrito de todos los participantes individuales o de sus tutores legales antes de la recopilación de la información relevante. Toda la información personal de los sujetos se mantuvo estrictamente confidencial para proteger su privacidad, y no se realizaron operaciones experimentales durante el proceso de recogida de datos.

1. Construcción de conjuntos de datos

1. Recopilación de datos y partición de conjuntos de datos
   1. Recoge imágenes clínicas de tomografía computarizada torácica sin contraste de 300 pacientes ingresados en el Hospital Unión China-Japón de la Universidad de Jilin entre el 1 de marzo de 2022 y el 1 de marzo de 2025, incluyendo 150 pacientes con EA y 150 pacientes sin DA verificados por CTA. Incluye ADs tipo A y tipo B. Todos los datos de imagen en bruto están restringidos por la institución y no están disponibles públicamente debido a la privacidad del paciente y las restricciones éticas.
   2. Divide el conjunto de datos en conjuntos de entrenamiento, validación y prueba en una proporción de 8:1:1 a nivel de paciente. Asegúrate de que todas las secciones de un paciente permanezcan dentro de un mismo conjunto para eliminar fugas de datos.
   3. Realizar muestreo estratificado basado en el diagnóstico de AD/no AD para preservar el equilibrio de clases en todos los subconjuntos.
   4. El conjunto de datos se predividió a nivel de paciente como se describió anteriormente para evitar la fuga de información a nivel de paciente. Se adoptó una semilla aleatoria fija de 42 para el algoritmo de entrenamiento que controlara procesos aleatorios, incluyendo el barajado de datos, la ampliación en línea y la inicialización del modelo durante el entrenamiento; Esta semilla era independiente y no se aplicaba a la partición de conjuntos de datos.
      PRECAUCIÓN: Asegúrese de que todos los datos de imagen de los pacientes estén completamente anonimizados antes de su procesamiento para proteger la privacidad del paciente y cumplir con las directrices institucionales y regulatorias.
2. Exclusión de datos
   1. Excluye imágenes con artefactos de movimiento graves.
   2. Excluye imágenes con un rango de escaneo insuficiente que no cubra toda la aorta.
   3. Excluir imágenes con ruido excesivo, definido como una desviación estándar de valores de atenuación TC superiores a 30 HU en la aorta torácica descendente.
3. Conversión de imágenes
   1. Carga los datos de imagen DICOM y exporta cortes axiales de imagen usando el software de procesamiento de imágenes ITK-SNAP.
   2. Inicia ITK-SNAP y haz clic en Archivo → Abrir imagen principal.
   3. Selecciona la serie DICOM de origen y haz clic en Abrir.
   4. Navega por los cortes axiales usando el deslizador de cortes.
   5. Exporta cada segmento haciendo clic en Archivo → Exportar → Segmento de imagen.
   6. Selecciona el formato PNG y especifica el directorio de salida.
   7. Guarda cada porción como un archivo individual.
   8. Todas las porciones de imagen exportadas recibieron nombres uniformes siguiendo el formato fijo IMG-[PatientID]-[SliceIndex].png, adoptando identificadores únicos de pacientes y numeración secuencial de segmentos para garantizar la trazabilidad.
4. Configuración de anotaciones de imágenes
   1. Abre cada imagen axial usando el software de anotación LabelMe.
   2. Lanza LabelMe y haz clic en Abrir Directorio.
   3. Navega a la carpeta que contiene imágenes axiales y carga todas las imágenes.
5. Segmentación manual
   1. Seleccione la herramienta Crear polígono en LabelMe para anotar estructuras vasculares (Figura 2). Incluye el lumen aórtico, el colgajo íntimo y los límites visibles de disección durante la anotación. Durante el marcado, toda la estructura aórtica que involucra el colgajo íntimo se contorneó como una única región integrada. El alcance de la anotación cubrió uniformemente todo el segmento aórtico visible con lesiones de disección y límites de desgarros íntimos, sin segmentación ni distinción separada entre la luz verdadera, la luz falsa o las subregiones vasculares independientes.
   2. Define los límites del recipiente colocando vértices a lo largo de la estructura.
   3. Cierra el polígono conectando el vértice final con el primer vértice.
   4. Modificar anotaciones usando la herramienta Modificar Polígono según sea necesario.
6. Asignación de sello
   1. Cada anotación de polígonos terminada se etiquetaba usando dos categorías estandarizadas y consistentes en cada caso: "Disección aórtica" para disección aórtica y "Saludable" para imágenes aórticas normales.
   2. Asegúrate de que los nombres de etiquetas se usen de forma consistente en todas las anotaciones y que sean idénticos en ortografía y formato a lo largo del conjunto de datos.
   3. Selecciona las etiquetas en la lista desplegable o introduce manualmente.
   4. Haz clic en Aceptar o pulsa Enter para confirmar la asignación de la etiqueta.
   5. Guarda las anotaciones para generar archivos JSON.
      NOTA: La anotación manual puede variar entre operadores. Asegurarse de criterios de anotación consistentes y, si es posible, contar con validación experta.
7. Exportación de anotaciones
   1. Activa el guardado automático para exportar anotaciones en formato JSON.
   2. Asegúrate de que cada archivo JSON corresponda a su segmento original de CT.
   3. Verifica que cada archivo de anotación mantenga una correspondencia uno a uno con su archivo de imagen asociado.
   4. Convierte las anotaciones JSON en un formato compatible con el framework de entrenamiento. Las anotaciones JSON de LabelMe se convertían al formato COCO mediante un script Python personalizado antes del entrenamiento. Los archivos convertidos (output_coco_annotations_{split}.json, donde split = entrenar, válido o probar) se cargaron en MMDetection 2.x usando CocoDataset con LoadAnnotations(with_bbox=True).
8. Control de calidad de datos
   1. Eliminar entradas inválidas basadas en criterios de calidad predefinidos, incluyendo archivos de imagen faltantes, anotaciones incompletas o pares imagen–anotación desajustados.
   2. Generación y nombramiento de archivos de anotación COCO limpiados para entrenamiento, validación y prueba. Las anotaciones limpias se guardaban como archivos JSON COCO específicos de la división usando la regla de nombres fija output_coco_annotations_{split}.json. Específicamente, los tres archivos de salida eran train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json y test/output_coco_annotations_test.json, con las imágenes correspondientes almacenadas en train/imágenes/, valid/imágenes/ y test/imágenes/. Estos archivos fueron utilizados directamente por la cadena de entrenamiento MMDetection.
9. Organización de conjuntos de datos
   1. Organiza el conjunto de datos en directorios de entrenamiento, validación y división de pruebas. El conjunto de datos estaba organizado bajo el directorio raíz aortic_dissection_dataset/ y dividido en tres subdirectorios específicos para cada parte: train/, valid/ y test/. Cada subdirectorio contenía una carpeta de imágenes con los archivos de imagen pertenecientes a esa división.
   2. Almacena los archivos de anotación COCO específicos de la división dentro de cada directorio dividido correspondiente en lugar del directorio raíz del conjunto de datos. Las anotaciones de entrenamiento, validación y test se guardaban como train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json y test/output_coco_annotations_test.json, respectivamente. Estos archivos se cargaban configurando rutas de ann_file y img_prefix específicas de la división durante la configuración del modelo.
   3. Mantener una estructura de directorios consistente entre los conjuntos de datos de entrenamiento, validación y prueba para garantizar la compatibilidad con el marco de entrenamiento.
10. Pipeline de datos de entrenamiento
    1. Carga imágenes y anotaciones de caja delimitadora.
    2. Redimensiona las imágenes a 512×512 manteniendo la relación de aspecto.
    3. Aplica un giro aleatorio con probabilidad 0,5.
    4. Aplica la aumentación de datos usando configuraciones explícitas de parámetros. Durante el entrenamiento, las imágenes de entrada se redimensionaron a 512 × 512 píxeles (keep_ratio=Verdadero) seguido de aumentos: cambio aleatorio (flip_ratio=0,5), ajuste gamma (gamma_limit=90–110, p=0,4), ajuste de brillo/contraste (brightness_limit=0,15, contrast_limit=0,15, p=0,4), transformación geométrica (shift_limit=0,03, scale_limit=0,08, rotate_limit=10°, p=0,4) y ruido gaussiano (var_limit=5,0–25,0, p=0,2). Las imágenes de validación y prueba solo se redimensionaron, normalizaron y rellenaron sin aumentos.
    5. Aplicar todas las operaciones de aumento usando ajustes de parámetros consistentes entre las ejecuciones de entrenamiento para asegurar la reproducibilidad.
    6. Normalizar las imágenes usando la media [123,675, 116,28, 103,53] y la desviación estándar [58,395, 57,12, 57,375].
    7. Imágenes de pad a múltiplos de 32.
11. Pipeline de validación y pruebas
    1. Carga imágenes.
    2. Redimensiona las imágenes.
    3. Normaliza las imágenes.
    4. Imágenes de pad a múltiplos de 32.
12. Construcción del marco del modelo
    1. Construye un detector de objetos de dos clases en MMDetection 2.x usando una configuración modificada HRNetV2p-W32 + Cascade R-CNN. El detector fue implementado en MMDetection 2.x basado en la configuración oficial cascade_rcnn_hrnetv2p_w32_20e_coco.py e inicializado con los correspondientes pesos preentrenados por COCO cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Utiliza HRNetV2p-W32 como columna vertebral y Cascade R-CNN como detector, según se define en la configuración descrita en el Paso 1.12.1.
    3. Adaptar la configuración base de MMDetection para la tarea de dos clases. El modelo se modificó para la tarea de dos clases estableciendo num_classes = 2 con nombres de clase "Disección aórtica" y "Saludable", y actualizando las rutas de conjuntos de datos para entrenamiento, validación y conjuntos de prueba. La configuración final reproducible se guardó como AorticDissection_full_pipeline_config.py.
    4. Define las clases como Disección Aórtica y Saludable.
13. Configuración de entrenamiento
    1. Entrena usando una GPU NVIDIA RTX 3080 Ti.
    2. Configura el optimizador en descenso de gradiente estocástico.
    3. Ponle la tasa de aprendizaje en 0,0001.
    4. Ponle el impulso a 0,9.
    5. Ajusta la reducción de peso a 0,0001.
    6. Establece el número de épocas en 30.
    7. Configura el tamaño del lote a 1 por GPU.
    8. Aplica un planificador de tasa de aprendizaje basado en el coseno basado en épocas con ajustes explícitos de calentamiento. La tasa de aprendizaje utilizó un planificador de recocido coseno basado en épocas (by_epoch=True) con calentamiento lineal durante las primeras 500 iteraciones (warmup_ratio=1e-4). El entrenamiento duró 30 épocas, con la tasa mínima de aprendizaje controlada por min_lr_ratio=1e-2.
    9. Usa FocalLoss y SmoothL1Loss.
       NOTA: El protocolo puede pausar tras la construcción y división del conjunto de datos. Guarda todos los datos procesados de forma segura antes de continuar.

Figura 2. Anotación manual de AD en la imagen NCCT. Imagen representativa axial NCCT que demuestra la anotación manual de AD. La región aórtica y las características patológicas, incluido el colgajo íntimo, están delineadas mediante un polígono (verde). Esta imagen anotada se utiliza para el entrenamiento de modelos. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

2. Arquitectura del modelo

1. Configuración del modelo
   1. Construye el detector de dos clases en MMDetection 2.x usando código de configuración ejecutable. El detector se construyó en MMDetection 2.x desde la configuración oficial de cascade_rcnn_hrnetv2p_w32_20e_coco.py a través de Config.fromfile(...), y luego se modificó para la tarea de dos clases (num_classes=2, nombres de clase: "Disección aórtica", "Saludable") con rutas de conjunto de datos personalizadas. El modelo se instanciaba mediante build_detector(...) y init_detector(...), exportando la configuración completa final como AorticDissection_full_pipeline_config.py.
   2. Introduce imágenes axiales NCCT en el modelo.
   3. Cajas delimitadoras de salida, etiquetas de clase y puntuaciones de confianza (Figura 3).
   4. Utiliza anotaciones de segmentación basadas en polígonos generadas durante la preparación del conjunto de datos para definir regiones de interés, y convierte estas anotaciones en cuadros delimitados para el entrenamiento del modelo, la visualización y la salida final de la detección.
      NOTA: El marco de detección utiliza estas cajas delimitadoras para generar resultados finales de clasificación y puntuaciones de confianza.
2. Configuración de la columna vertebral
   1. Utiliza HRNetV2p-W32 como red troncal.
   2. Elimina todos los módulos de plugins para garantizar la estabilidad del entrenamiento.
3. Arquitectura de detección
   1. Usa Cascade R-CNN para la detección.
4. Pérdida y configuración del ancla
   1. Configura las pérdidas de clasificación y regresión con ajustes explícitos de parámetros. En las cabezas de ROI, la pérdida de clasificación se estableció en Pérdida Focal con use_sigmoid=Verdadero y loss_weight = 1,0. La pérdida de regresión por caja delimitante del ROI se estableció en SmoothL1Loss con beta = 1,0 y loss_weight = 0,5. En el RPN, la pérdida de clasificación también se estableció en Pérdida Focal con use_sigmoid=Verdadero y loss_weight = 1,0, mientras que la pérdida por regresión se estableció en Pérdida L1 con loss_weight = 1,0.
   2. Define las relaciones de aspecto personalizadas de los anclajes. Las relaciones de aspecto de los anclajes RPN se personalizaron explícitamente a 0,5, 1,0, 2,0 y 3,0.
   3. Conserva los valores predeterminados de escala de ancla de la configuración oficial de la base MMDetection. Este estudio adoptó valores predeterminados de escala de ancla del archivo oficial de configuración MMDetection cascade_rcnn_hrnetv2p_w32_20e_coco.py, sin modificaciones manuales adicionales.
5. Definición de salida
   1. Predicciones de salida para dos clases: Disección aórtica y Saludable.

Figura 3. Detección de la AD usando el modelo de IA. Izquierda: Introduzca imagen NCCT. Derecha: Salida del modelo que muestra la detección de AD, con la región predicha resaltada por un recuadro delimitador y la puntuación de confianza asociada. Esta figura muestra la identificación de la EA en imágenes NCCT y la visualización de los resultados de detección. La puntuación de confianza representa la confianza de predicción del modelo para la detección de AD . Por favor, haga clic aquí para ver una versión ampliada de esta figura.

3. Entrenamiento de modelos

1. Entorno de entrenamiento
   1. Realiza entrenamiento en la GPU NVIDIA RTX 3080 Ti.
   2. Usa Ubuntu 22.04.1 LTS.
   3. Usa PyTorch 2.0.1, MMCV 1.7.2 y MMDetection 2.28.2.
2. Inicialización del modelo
   1. Inicializa el modelo usando un punto de control HRNetV2p-W32 preentrenado por COC + Cascade R-CNN. El detector fue inicializado desde un punto de control preentrenado por COCO, especificado explícitamente en la configuración del experimento como cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. Este punto de control se utilizó como archivo de pesos de inicialización para el aprendizaje por transferencia en el presente estudio.
   2. Reinicia las capas de clasificación para dos clases.
3. Hiperparámetros
   1. Configura el optimizador en descenso de gradiente estocástico.
   2. Ponle la tasa de aprendizaje en 0,0001.
   3. Ponle el impulso a 0,9.
   4. Ajusta la reducción de peso a 0,0001.
   5. Establece el número de épocas en 30.
   6. Ajusta el tamaño del lote a 1.
   7. Pon el programador en recozido coseno con calentamiento.
4. Ejecución de la formación
   1. Carga imágenes y anotaciones.
   2. Redimensiona las imágenes a 512×512.
   3. Aplica aumentos.
   4. Normaliza y rellena imágenes.
   5. Realizar entrenamiento de modelos usando el script completo personalizado MMDetection 2.x: python full_pipeline_mmdet2_aortic_dissection.py, que carga y adapta la configuración oficial de la base e inicia el entrenamiento usando las funciones build_detector(...) y train_detector...).
      NOTA: El script se ejecutó dentro del entorno MMDetection 2.28.2 con todas las dependencias instaladas según lo especificado en la Tabla de Materiales.
   6. Evalúa el rendimiento en el conjunto de validación después de cada época.
   7. Mantén condiciones de entrenamiento consistentes, incluyendo orden de datos, ajustes de parámetros y configuración de hardware para la reproducibilidad.
5. Selección de modelos
   1. Seleccione el modelo con mejor rendimiento en función de la mayor precisión media media (bbox_mAP) obtenida en el conjunto de validación.
      NOTA: Los criterios de selección pueden incluir precisión, sensibilidad, especificidad o coeficiente de dados según los objetivos del estudio.
6. Evaluación final
   1. Evalúa el modelo en el conjunto de pruebas independiente usando COCOeval. La evaluación se ejecutaba mediante el script full_pipeline_mmdet2_aortic_dissection.py con run_train=Falso y run_eval=Verdadero. El script cargaba el punto de control seleccionado, generaba predicciones en el conjunto de prueba independiente, las convertía en archivos de resultados en formato COCO y calculaba métricas bbox usando COCOeval.
      NOTA: La evaluación se realizó dentro del mismo entorno MMDetection 2.28.2 para garantizar la coherencia con la configuración de entrenamiento.
   2. Informa métricas como mAP, AP50, AP75 y AP por clase.
   3. Realizar la evaluación utilizando la misma partición de datos y definiciones de métricas para garantizar la consistencia entre experimentos.

Results

Esta sección presenta los resultados reproducibles y verificados en la implementación del modelo de detección de objetos de dos clases para detección de AD a partir de imágenes NCCT, estrictamente alineados con la cadena de entrenamiento validada y el marco de evaluación COCO (Figura 1). Todas las métricas se derivan del conjunto de pruebas que se ha mostrado usando COCOeval, sin datos fabricados ni indicadores no validados.

Discussion

Los clínicos, especialmente los médicos de urgencias, pueden experimentar una disminución del rendimiento diagnóstico cuando los pacientes presentan síntomas atípicos o cuando un alto volumen de pacientes en urgencias impone limitaciones de tiempo. En cambio, un modelo de IA entrenado para identificar la EA en NCCT puede ofrecer un rendimiento consistente y estable incluso en pacientes asintomáticos, sin estar limitado por el tiempo de lectura, mejorando así potencialmente la precisión y...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Arquitectura Cascade R-CNN	OpenMMLab (MMDetection)	configuraciones/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Arquitectura de detección utilizada en el marco
Imágenes de tomografía computarizada de tórax (sin contraste)	Conjunto de datos clínico autoconstruido	Conjunto de imágenes axiales NCCT	Datos de imagen clínica utilizados para el desarrollo de modelos
Archivos de anotación en formato COCO	Generados durante el protocolo	JSON (formato COCO)	Archivos de anotación convertidos usados para el entrenamiento de modelos
Pesas preentrenadas COCO	OpenMMLab MMDetection modelo zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Utilizado para la inicialización de modelos
Arquitectura HRNetV2p-W32	OpenMMLab (MMDetection)	Columna vertebral HRNetV2p-W32 (implementado en MMDetection 2.28.2)	Modelo de columna vertebral utilizado
ITK-SNAP	Equipo de desarrollo de ITK-SNAP	3.8.0	Utilizado para conversión de formatos de imagen y exportación de cortes
Archivos de anotación JSON	Salida LabelMe	Formato JSON estándar	Contiene coordenadas de anotación y etiquetas
LabelMe	MIT CSAIL	4.8.3	Utilizado para anotación manual de imágenes
MMDetection	OpenMMLab	2.28.2	Marco de detección de objetos utilizado para la implementación
MMCV	OpenMMLab	1.7.2	Biblioteca central que soporta MMDetection
NumPy	Desarrolladores NumPy	1.26.4	Biblioteca de cálculo numérico
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Hardware utilizado para el entrenamiento
OpenCV	OpenCV	4.9.0	Procesamiento y visualización de imágenes
pycocotools	PyPI / COCO API	2.0.6	Biblioteca de evaluación en formato COC
Python	Fundación de Software Python	3.10.20	Entorno de programación
PyTorch	PyTorch	2.0.1+cu118	Marco de aprendizaje profundo
TorchVision	PyTorch	0.15.2+cu118	Servicios de visión
Sistema operativo Ubuntu	Canónico	22.04.1 LTS	Entorno de entrenamiento OS