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 et fausses, l’emplacement de la déchirure et l’étendue de l’atteinte³. Cependant, l’ACT nécessite l’injection d’agents de contraste contenant de l’iode, qui comportent des risques de réactions allergiques et de néphrotoxicité ^4,5. De plus, atteindre une disponibilité rapide 24 heures sur 24 est difficile dans de nombreux hôpitaux primaires ou urgences. En revanche, le scanner CT sans contraste (NCCT) ne nécessite pas d’agents de contraste, offrant un examen rapide et pratique avec une dose de radiation relativement faible et une application plus large. Néanmoins, dans les images NCCT, le contraste entre les véritables et faux lumens, ainsi qu’entre le lambeau intim et le sang, est faible, posant des défis importants pour le diagnostic visuel des médecins et conduisant facilement à des diagnostics manqués ou erronés, notamment chez les cliniciens moins expérimentés. Par conséquent, le développement d’une technique capable d’obtenir une détection automatique de la MA à haute précision et haute sensibilité directement à partir des images NCCT présente une valeur clinique importante et des perspectives d’application.

Les avancées récentes en apprentissage profond ont permis l’identification précise des caractéristiques pathologiques à partir d’images médicales sans^{contraste 6,7}. Le réseau haute résolution (HRNet) maintient des cartes de caractéristiques haute résolution dans tout le réseau, tandis que le réseau de compression et d’excitation (SENet) améliore la représentation des caractéristiques en modélisant les dépendances^{intercanaux 8}. La combinaison de HRNet et SENet offre une stratégie efficace d’extraction de caractéristiques pour la représentation multiéchelle des images NCCT, ce qui est crucial pour détecter les signes subtils de la maladie d’Alzheimer, tels que les volets intimaux et les signes à double lumen. Ici, ce concept d’extraction de caractéristiques est implémenté dans un cadre de détection d’objets utilisant MMDetection et le réseau convolutionnel basé sur la région en cascade (R-CNN), permettant une localisation et une classification robustes de la dissection aortique.

Dans cette étude, le modèle d’intelligence artificielle (IA) basé sur HRNet+SENet utilise un processus d’entraînement par étapes pour identifier la DA à partir d’images NCCT (Figure 1). Il met l’accent sur la standardisation des ensembles de données, l’extraction de caractéristiques multi-échelle et l’adaptabilité clinique. L’objectif de cette méthode est de fournir une approche fiable pour la détection de la MA, en particulier dans les urgences et les soins primaires où l’imagerie avec contraste est limitée ou indisponible.

Figure 1. Flux de travail du modèle d’intelligence artificielle (IA) pour la détection de dissection aortique (DA). Schéma du pipeline d’entraînement du modèle IA pour la détection de la DA à l’aide d’images de tomodensitométrie non par contraste (NCCT). Le flux de travail comprend la préparation des données (collecte et annotation d’images, standardisation et prétraitement des formats, et séparation des ensembles de données), la construction du modèle (dorsale HRNetV2p-W32 intégrée dans un cadre de détection Cascade R-CNN et initialisée avec des poids pré-entraînés COCO), l’entraînement du modèle (optimiseur SGD, taux d’apprentissage par recuit cosinus et perte d’entropie croisée), l’évaluation du modèle (métriques quantitatives et visualisation qualitative) et l’application clinique. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

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 processus de collecte des données.

1. Construction de jeux de données

1. Collecte de données et partitionnement des ensembles de données
   1. Collectez des images cliniques sans contraste de scanner thoracique de 300 patients admis à l’Hôpital China-Japan Union de l’Université de Jilin entre le 1er mars 2022 et le 1er mars 2025, dont 150 patients atteints de DA et 150 patients sans DA vérifiés par CTA. Incluez les AD de type A et de type B. Toutes les données d’imagerie brutes sont restreintes par l’institution et non accessibles au public en raison de la confidentialité des patients et de restrictions éthiques.
   2. Partitionnez l’ensemble de données en ensembles d’entraînement, de validation et de test selon un ratio de 8:1:1 au niveau du patient. Assurez-vous que toutes les tranches d’un patient restent dans un même ensemble afin d’éliminer les fuites de données.
   3. Effectuer un échantillonnage stratifié basé sur le diagnostic DA/non-AD afin de préserver l’équilibre des classes entre tous les sous-ensembles.
   4. Le jeu de données a été pré-scindé au niveau du patient comme décrit ci-dessus afin d’éviter la fuite d’informations au niveau du patient. Une graine aléatoire fixe de 42 a été adoptée pour l’algorithme d’entraînement afin de contrôler des processus aléatoires, y compris le mélange de données, l’augmentation en ligne et l’initialisation du modèle pendant l’entraînement ; Cette graine était indépendante et ne s’appliquait pas au partitionnement des jeux de données.
      ATTENTION : Assurez-vous que toutes les données d’imagerie des patients soient entièrement anonymisées avant le traitement afin de protéger la vie privée des patients et de respecter les directives institutionnelles et réglementaires.
2. Exclusion des données
   1. Excluez les images présentant des artefacts de mouvement sévères.
   2. Excluez les images avec une portée de balayage insuffisante qui ne couvrent pas toute l’aorte.
   3. Excluez les images présentant un bruit d’image excessif, défini comme un écart-type des valeurs d’atténuation CT dépassant 30 HU dans l’aorte thoracique descendante.
3. Conversion d’image
   1. Chargez les données d’image DICOM et exportez les tranches axiales d’image à l’aide du logiciel de traitement d’image ITK-SNAP.
   2. Lance ITK-SNAP et clique sur Fichier → Ouvrir l’image principale.
   3. Sélectionnez la série DICOM source et cliquez sur Ouvrir.
   4. Naviguez à travers les tranches axiales en utilisant le curseur de tranche.
   5. Exportez chaque tranche en cliquant sur Fichier → Exporter → Image Slice.
   6. Sélectionnez le format PNG et spécifiez le répertoire de sortie.
   7. Sauvegardez chaque tranche en fichier individuel.
   8. Toutes les tranches d’image exportées étaient nommées uniformément selon le format fixe IMG-[PatientID]-[SliceIndex].png, adoptant des identifiants patients uniques et une numérotation séquentielle des tranches pour garantir la traçabilité.
4. Configuration de l’annotation d’images
   1. Ouvrez chaque image axiale à l’aide du logiciel d’annotation LabelMe.
   2. Lance LabelMe et clique sur Ouvrir le répertoire.
   3. Naviguez jusqu’au dossier contenant les images axiales et chargez toutes les images.
5. Segmentation manuelle
   1. Sélectionnez l’outil Créer un polygone dans LabelMe pour annoter les structures vasculaires (Figure 2). Incluez la lumière aortique, le lambeau intimal et les limites visibles de dissection lors de l’annotation. Lors du marquage, toute la structure aortique impliquant le lambeau intim a été contournée en une seule région intégrée. Le scope d’annotation couvrait uniformément l’intégralité du segment aortique visible avec des lésions de dissection et des bords de déchirure intimes, sans segmentation séparée ni distinction entre la vraie lumière, la fausse lumière ou les sous-régions vasculaires indépendantes.
   2. Définir les limites des vaisseaux en plaçant des sommets le long de la structure.
   3. Fermez le polygone en reliant le sommet final au premier sommet.
   4. Modifiez les annotations à l’aide de l’outil Modifier Polygon selon les besoins.
6. Attribution du label
   1. Chaque annotation polygonale terminée était étiquetée selon deux catégories standardisées et cohérentes : « Dissection aortique » pour la dissection aortique et « Saine » pour les images aortiques normales.
   2. Assurez-vous que les noms des étiquettes sont utilisés de manière cohérente dans toutes les annotations et restent identiques en orthographe et en format dans tout le jeu de données.
   3. Sélectionnez les étiquettes dans la liste déroulante ou saisissez manuellement.
   4. Cliquez sur OK ou appuyez sur Entrée pour confirmer l’attribution de l’étiquette.
   5. Sauvegardez les annotations pour générer des fichiers JSON.
      REMARQUE : L’annotation manuelle peut varier selon les opérateurs. Assurez-vous de critères d’annotation cohérents et, si possible, faites appel à une validation experte.
7. Exportation d’annotation
   1. Activez la sauvegarde automatique pour exporter les annotations au format JSON.
   2. Assurez-vous que chaque fichier JSON correspond à sa tranche CT d’origine.
   3. Vérifiez que chaque fichier d’annotation maintient une correspondance un pour un avec son fichier image associé.
   4. Convertir les annotations JSON dans un format compatible avec le cadre d’entraînement. Les annotations JSON LabelMe étaient converties au format COCO via un script Python personnalisé avant l’entraînement. Les fichiers convertis (output_coco_annotations_{split}.json, où split = train, valide ou test) étaient chargés dans MMDetection 2.x en utilisant CocoDataset with LoadAnnotations(with_bbox=True).
8. Contrôle qualité des données
   1. Supprimer les entrées invalides basées sur des critères de qualité prédéfinis, y compris les fichiers image manquants, les annotations incomplètes ou les paires image–annotation mal correspondantes.
   2. Génération et nommage de fichiers d’annotation COCO nettoyés pour l’entraînement, la validation et les tests. Les annotations nettoyées étaient sauvegardées sous forme de fichiers JSON COCO spécifiques à la division en utilisant la règle de nommage fixe output_coco_annotations_{split}.json. Plus précisément, les trois fichiers de sortie étaient train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json et test/output_coco_annotations_test.json, avec les images correspondantes stockées dans train/images/, valid/images/ et test/images/. Ces fichiers étaient directement utilisés par le pipeline d’entraînement MMDetection.
9. Organisation des jeux de données
   1. Organisez l’ensemble de données en répertoires d’entraînement, de validation et de répartition des tests. L’ensemble de données était organisé sous le répertoire racine aortic_dissection_dataset/ et divisé en trois sous-répertoires spécifiques à chaque division : train/, valid/, et test/. Chaque sous-répertoire contenait un fichier images/dossier contenant les fichiers image appartenant à cette division.
   2. Stockez les fichiers d’annotation COCO spécifiques à la division dans chaque répertoire divisé correspondant plutôt que dans le répertoire racine du jeu de données. La formation, la validation et les annotations de test étaient enregistrées respectivement sous les formes train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json et test/output_coco_annotations_test.json. Ces fichiers étaient chargés en configurant des chemins ann_file et img_prefix spécifiques à la division lors de la configuration du modèle.
   3. Maintenir une structure d’annuaires cohérente à travers les ensembles de données d’entraînement, de validation et de test afin d’assurer la compatibilité avec le cadre d’entraînement.
10. Pipeline de données d’entraînement
    1. Chargez les images et les annotations de la boîte englobante.
    2. Redimensionnez les images à 512×512 tout en conservant le format d’aspect.
    3. Appliquez un flip aléatoire avec une probabilité de 0,5.
    4. Appliquez l’augmentation des données en utilisant des paramètres explicites. Pendant l’entraînement, les images d’entrée étaient redimensionnées à 512 × 512 pixels (keep_ratio=Vrai), suivies d’augmentations : basculement aléatoire (flip_ratio=0,5), ajustement gamma (gamma_limit=90–110, p=0,4), ajustement de luminosité/contraste (brightness_limit=0,15, contrast_limit=0,15, p=0,4), transformation géométrique (shift_limit=0,03, scale_limit=0,08, rotate_limit=10°, p=0,4) et bruit gaussen (var_limit=5,0–25,0, p=0,2). Les images de validation et de test n’ont été redimensionnées, normalisées et remplies sans augmentation.
    5. Appliquer toutes les opérations d’augmentation en utilisant des paramètres cohérents sur les entraînements pour garantir la reproductibilité.
    6. Normaliser les images en utilisant la moyenne [123,675, 116,28, 103,53] et l’écart-type [58,395, 57,12, 57,375].
    7. Images du pad à multiples de 32.
11. Pipeline de validation et de tests
    1. Chargez les images.
    2. Redimensionnez les images.
    3. Normalisez les images.
    4. Images du pad à multiples de 32.
12. Construction du cadre de modèle
    1. Construisez un détecteur d’objets de deux classes dans MMDetection 2.x en utilisant une configuration modifiée HRNetV2p-W32 + Cascade R-CNN. Le détecteur a été implémenté dans MMDetection 2.x basé sur la configuration officielle cascade_rcnn_hrnetv2p_w32_20e_coco.py et initialisé avec des poids COCO préentraînés correspondants cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Utilisez HRNetV2p-W32 comme colonne vertébrale et Cascade R-CNN comme détecteur tel que défini dans la configuration décrite à l’étape 1.12.1.
    3. Adapter la configuration de base de MMDetection pour la tâche à deux classes. Le modèle a été modifié pour la tâche à deux classes en fixant num_classes = 2 avec les noms de classes « Dissection aortique » et « Sain », et en mettant à jour les chemins des ensembles de données pour l’entraînement, la validation et les ensembles de tests. La configuration finale reproductible a été sauvegardée comme AorticDissection_full_pipeline_config.py.
    4. Définissez les classes comme Dissection aortique et Saine.
13. Configuration d’entraînement
    1. Entraînez-vous avec un GPU NVIDIA RTX 3080 Ti.
    2. Régler l’optimiseur sur la descente du gradient stochastique.
    3. Réglez le taux d’apprentissage à 0,0001.
    4. Réglez l’élan à 0,9.
    5. Réglez la décroissance du poids à 0,0001.
    6. Fixez le nombre d’époques à 30.
    7. Réglez la taille du lot à 1 par GPU.
    8. Appliquer un planificateur de débit d’apprentissage par recuit cosinus basé sur l’époque avec des réglages d’échauffement explicites. Le taux d’apprentissage utilisait un planificateur de recuit cosinus basé sur l’époque (by_epoch=True) avec échauffement linéaire pour les 500 premières itérations (warmup_ratio=1e-4). L’entraînement durait 30 époques, le taux d’apprentissage minimum étant contrôlé par min_lr_ratio=1e-2.
    9. Utilise FocalLoss et SmoothL1Loss.
       REMARQUE : Le protocole peut être mis en pause après la construction et la division du jeu de données. Stockez toutes les données traitées en toute sécurité avant de procéder.

Figure 2. Annotation manuelle de la DA sur l’image NCCT. Image axiale NCCT représentative démontrant l’annotation manuelle de l’AD. La région aortique et les caractéristiques pathologiques, y compris le lambeau intime, sont délimitées à l’aide d’un polygone (vert). Cette image annotée est utilisée pour l’entraînement des modèles. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

2. Architecture du modèle

1. Configuration du modèle
   1. Construisez le détecteur à deux classes dans MMDetection 2.x en utilisant un code de configuration exécutable. Le détecteur a été construit en MMDetection 2.x à partir de la configuration officielle cascade_rcnn_hrnetv2p_w32_20e_coco.py via Config.fromfile(...), puis modifié pour la tâche à deux classes (num_classes=2, noms de classes : « Dissection aortique », « Healthy ») avec des chemins de jeu de données personnalisés. Le modèle était instancié via build_detector(...) et init_detector(...), la configuration complète finale étant exportée sous forme de AorticDissection_full_pipeline_config.py.
   2. Saisir les images axiales NCCT dans le modèle.
   3. Boîtes englobantes de sortie, étiquettes de classe et scores de confiance (Figure 3).
   4. Utilisez des annotations de segmentation basées sur des polygones générées lors de la préparation du jeu de données pour définir les régions d’intérêt, et convertissez ces annotations en encadrements pour l’entraînement du modèle, la visualisation et la détection finale.
      REMARQUE : Le cadre de détection utilise ces encadrements pour générer les résultats finaux de classification et les scores de confiance.
2. Configuration de la colonne vertébrale
   1. Utilisez HRNetV2p-W32 comme réseau dorsale.
   2. Retirez tous les modules de plugins pour assurer la stabilité de l’entraînement.
3. Architecture de détection
   1. Utilisez Cascade R-CNN pour la détection.
4. Perte et configuration de l’ancre
   1. Configurez les pertes de classification et de régression avec des paramètres explicites. Dans les têtes ROI, la perte de classification était réglée sur FocalLoss avec use_sigmoid = Vrai et loss_weight = 1,0. La perte de régression de la boîte délimitante du ROI a été fixée à SmoothL1Loss avec beta = 1,0 et loss_weight = 0,5. Dans le RPN, la perte de classification était également réglée sur FocalLoss avec use_sigmoid = Vrai et loss_weight = 1,0, tandis que la perte de régression était fixée à L1Perte avec loss_weight = 1,0.
   2. Définissez les rapports d’aspect personnalisés des ancres. Les rapports d’aspect des ancrages RPN étaient explicitement personnalisés à 0,5, 1,0, 2,0 et 3,0.
   3. Conservez les valeurs d’échelle d’ancrage par défaut issues de la configuration officielle de la base MMDetection. Cette étude a adopté les valeurs d’échelle d’ancrage par défaut issues du fichier de configuration officiel MMDetection cascade_rcnn_hrnetv2p_w32_20e_coco.py, sans modification manuelle supplémentaire.
5. Définition de la sortie
   1. Prédictions de sortie pour deux classes : Dissection aortique et Saine.

Figure 3. Détection de la DA à l’aide du modèle IA. Gauche : Entrer l’image NCCT. À droite : Résultat du modèle montrant la détection de la DA, avec la région prédite mise en évidence par une boîte englobante et un score de confiance associé. Cette figure montre l’identification de la DA dans les images NCCT et la visualisation des résultats de détection. Le score de confiance représente la confiance prédictive du modèle pour la détection de la DA . Veuillez cliquer ici pour voir une version agrandie de cette figure.

3. Entraînement de mannequins

1. Environnement d’entraînement
   1. Entraînez-vous sur la carte graphique NVIDIA RTX 3080 Ti.
   2. Utilisez Ubuntu 22.04.1 LTS.
   3. Utilisez PyTorch 2.0.1, MMCV 1.7.2 et MMDetection 2.28.2.
2. Initialisation du modèle
   1. Initialisez le modèle en utilisant un point de contrôle HRNetV2p-W32 + Cascade R-CNN pré-entraîné COC spécifié. Le détecteur a été initialisé à partir d’un point de contrôle pré-entraîné par COCO, spécifié explicitement dans la configuration de l’expérience comme cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. Ce point de contrôle a été utilisé comme fichier de poids d’initialisation pour l’apprentissage par transfert dans la présente étude.
   2. Réinitialisez les couches de classification pour deux classes.
3. Hyperparamètres
   1. Régler l’optimiseur sur la descente du gradient stochastique.
   2. Réglez le taux d’apprentissage à 0,0001.
   3. Réglez l’élan à 0,9.
   4. Réglez la décroissance du poids à 0,0001.
   5. Fixez le nombre d’époques à 30.
   6. Réglez la taille du lot à 1.
   7. Réglez le planificateur sur recuit cosinus avec l’échauffement.
4. Exécution de la formation
   1. Chargez les images et les annotations.
   2. Redimensionnez les images à 512×512.
   3. Appliquez des augmentations.
   4. Normalisez et rejoignez les images.
   5. Effectuez l’entraînement du modèle en utilisant le script complet de pipeline personnalisé MMDetection 2.x : python full_pipeline_mmdet2_aortic_dissection.py, qui charge et adapte la configuration officielle de la base et initie l’entraînement en utilisant les fonctions build_detector(...) et train_detector...).
      REMARQUE : Le script a été exécuté dans l’environnement MMDetection 2.28.2 avec toutes les dépendances installées comme spécifié dans le Table of Materials.
   6. Évaluer la performance sur le jeu de validation après chaque époque.
   7. Maintenez des conditions d’entraînement cohérentes, y compris l’ordre des données, les paramètres et la configuration matérielle pour la reproductibilité.
5. Sélection des modèles
   1. Sélectionnez le modèle le mieux performant en fonction de la plus haute précision moyenne moyenne (bbox_mAP) obtenue sur l’ensemble de validation.
      REMARQUE : Les critères de sélection peuvent inclure la précision, la sensibilité, la spécificité ou le coefficient de Dice selon les objectifs de l’étude.
6. Évaluation finale
   1. Évaluez le modèle sur l’ensemble de test indépendant à l’aide de COCOeval. L’évaluation était exécutée via le script full_pipeline_mmdet2_aortic_dissection.py avec run_train=Faux et run_eval=Vrai. Le script chargeait le point de contrôle sélectionné, générait des prédictions sur l’ensemble de test indépendant, les convertissait en fichiers de résultats au format COCO, et calculait les métriques bbox à l’aide de COCOeval.
      REMARQUE : L’évaluation a été réalisée dans le même environnement MMDetection 2.28.2 afin d’assurer la cohérence avec la configuration de l’entraînement.
   2. Déclarez les indicateurs incluant mAP, AP50, AP75 et AP par classe.
   3. Effectuer une évaluation en utilisant la même partition de jeu de données et définitions de métriques afin d’assurer la cohérence entre les expériences.

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