Entraînement d’un modèle d’intelligence artificielle pour la détection de la dissection aortique à l’aide d’images de tomographie non contrastée sur des patients humains

Summary

Ce protocole décrit l’entraînement d’un modèle d’intelligence artificielle pour détecter la dissection aortique à l’aide d’images de tomodensitomodensise sans contraste, permettant un dépistage rapide et accessible en milieu clinique.

Abstract

La dissection aortique (MA) est une conséquence extrême d’une homéostasie de remodelage vasculaire altérée et nécessite une identification rapide et précise en pratique clinique. Ce protocole décrit un modèle d’apprentissage basé sur l’intelligence artificielle pour l’identification de la MA, utilisant la tomographie par contraste (CT). Des ensembles de données d’angiographie pour scanner thoracique et tomodensien aortique ont été collectés auprès de patients atteints de DA et non atteints de MA dans un hôpital tertiaire de grade A. Les structures vasculaires de chaque image axiale ont été segmentées et annotées manuellement à l’aide du logiciel open source LabelMe afin d’établir un jeu de données de segmentation pour le développement et l’évaluation du modèle. Le jeu de données a été divisé en ensembles d’entraînement, de test et de validation avec un ratio de 8:1:1 pour l’entraînement et la validation du modèle. Suite au développement d’un modèle avec des performances de détection robustes, une plateforme de traitement en ligne a été construite pour visualiser et présenter efficacement les résultats. Cette approche offre un outil puissant et intelligent pour un dépistage rapide et préliminaire de la MA, et répond au besoin clinique non satisfait d’une détection précoce accessible dans divers environnements cliniques.

Introduction

La dissection aortique (DA) est une affection aiguë mettant la vie en danger, caractérisée par l’entrée de sang dans la couche médiale de la paroi aortique par une déchirure de la muqueuse intime, formant une fausse lumière¹ disséquant et en expansion. Sans diagnostic et traitement rapides, le taux de mortalité est extrêmement élevé, l’incidence des décès dans les 24 heures (y compris les décès avant l’arrivée à l’hôpital) était de 93 ^%2. L’angiographie par tomodensitométrie améliorée (CTA) est la référence pour diagnostiquer la MA, car elle peut visualiser clairement les lumières vraies....

Protocol

Toutes les collectes de données humaines dans cette étude ont été réalisées conformément aux normes éthiques de la Déclaration d’Helsinki et ont été approuvées par le Comité d’éthique de l’Hôpital de l’Union Chine-Japon de l’Université de Jilin (Numéro d’approbation : 2019103004). Le consentement éclairé a été obtenu par écrit de tous les participants individuels ou de leurs tuteurs légaux avant la collecte de leurs informations pertinentes. Toutes les informations personnelles des sujets étaient gardées strictement confidentielles pour protéger leur vie privée, et aucune opération expérimentale n’a été réalisée sur eux pendant le pro....

Results

Cette section présente les résultats reproductibles et vérifiés en implémentation du modèle de détection d’objets à deux classes pour la détection AD à partir d’images NCCT, strictement alignés avec le pipeline d’entraînement validé et le cadre d’évaluation COCO (Figure 1). Toutes les métriques sont dérivées de l’ensemble de tests maintenu à l’aide de COCOeval, sans données fabriquées ni indicateurs non validés.

Performanc.......

Discussion

Les cliniciens, en particulier les médecins urgentistes, peuvent constater une diminution des performances diagnostiques lorsque les patients présentent des symptômes atypiques ou lorsque le volume élevé impose des contraintes de temps. En revanche, un modèle d’IA entraîné pour identifier la MA sur la NCCT peut offrir une performance constante et stable même chez des patients asymptomatiques, sans être limité par le temps de lecture, améliorant ainsi potentiellement la précision et l’eff.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Architecture Cascade R-CNN	OpenMMLab (MMDetection)	configurations/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Architecture de détection utilisée dans le cadre
Images de tomodensitométrie thoracique (sans contraste)	Ensemble de données cliniques auto-construites	Ensemble d’images axiales NCCT	Données d’imagerie clinique utilisées pour le développement de modèles
Fichiers d’annotation au format COCO	Généré pendant le protocole	JSON (format COCO)	Fichiers d’annotation convertis utilisés pour l’entraînement des modèles
Poids pré-entraînés COCO	OpenMMLab MMDetection modèle zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Utilisation pour l’initialisation de modèle
Architecture HRNetV2p-W32	OpenMMLab (MMDetection)	Réseau dorsal HRNetV2p-W32 (implémenté dans MMDetection 2.28.2)	Modèle de colonne vertébrale utilisé
ITK-SNAP	Équipe de développement ITK-SNAP	3.8.0	Utilisé pour la conversion de formats d’image et l’exportation en tranche
Fichiers d’annotation JSON	Sortie LabelMe	Format JSON standard	Contenir les coordonnées d’annotation et les étiquettes
LabelMe	MIT CSAIL	4.8.3	Utilisé pour l’annotation manuelle d’images
MMDetection	OpenMMLab	2.28.2	Cadre de détection d’objets utilisé pour la mise en œuvre
MMCV	OpenMMLab	1.7.2	Bibliothèque centrale supportant MMDetection
NumPy	Développeurs NumPy	1.26.4	Bibliothèque de calcul numérique
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Matériel utilisé pour la formation
OpenCV	OpenCV	4.9.0	Traitement et visualisation d’images
pycocotools	PyPI / COCO API	; 2.0.6	Bibliothèque d’évaluation au format COCO
Python	Fondation Python Software	3.10.20	Environnement de programmation
PyTorch	PyTorch	2.0.1+cu118	Cadre d’apprentissage profond
TorchVision	PyTorch	0.15.2+cu118	Utilitaires de vision
Système d’exploitation Ubuntu	Canonique	22.04.1 LTS	Environnement d’entraînement OS