Swin-PSAxialNet : une technique de segmentation multi-organes efficace
5 juillet 2024
Le présent protocole décrit une méthode de segmentation multi-organes efficace appelée Swin-PSAxialNet, qui a atteint une excellente précision par rapport aux méthodes de segmentation précédentes. Les étapes clés de cette procédure comprennent la collecte de l’ensemble de données, la configuration de l’environnement, le prétraitement des données, l’entraînement et la comparaison des modèles, ainsi que les expériences d’ablation.
Nos recherches portent principalement sur l’application de l’intelligence artificielle dans les domaines médicaux, y compris la segmentation d’images médicales, le multimodal médical, les grands modèles de langage et les biocapteurs.
Les dernières avancées dans notre domaine incluent des modèles de segmentation basés sur des professionnels à zéro échantillon comme SAM et des modèles de séquence comme Wish member.
Les problèmes courants rencontrés par les modèles de Deep Learning actuels comprennent un volume de données insuffisant et une qualité médiocre, avec la nécessité d’améliorer la généralisation, les capacités et la robustesse des modèles.
Notre protocole introduit le bloc PSA et le bloc SPD en tant que modules d’extraction d’informations offrant des capacités d’extraction d’informations plus complètes et un coût de calcul inférieur à celui des autres méthodes.
Les objectifs futurs de notre bibliothèque comprennent le développement de grands modèles médicaux universels, la recherche sur des algorithmes d’apprentissage profond à modèles multiples et la conception de dispositifs médicaux portables intelligents.
[Narrateur] Pour commencer, téléchargez l’ensemble de données Amos-2022 et expliquez les images à utiliser pour l’analyse. Sélectionnez 160 images du jeu de données pour le jeu de données d’entraînement et 40 images pour le jeu de données de test. Sur un terminal, exécutez cette commande pour déplacer le répertoire contenant les données brutes. Créez ensuite un fichier dataset.json dans le répertoire de données brutes et saisissez des informations sur le jeu de données, telles que le nombre d’images d’entraînement et de test et le nom de l’étiquette. Pour la configuration de l’environnement, installez l’environnement PaddlePaddle et la version Kunlun correspondante. Clonez le dépôt PaddleSeg à partir de GitHub. Dans un terminal, exécutez cette commande pour accéder au répertoire MedicalSeg. Pour installer les exigences du projet, utilisez cette commande. Ensuite, modifiez le fichier de configuration yml pour inclure des paramètres tels que data_root, batch_size, modèle, train_dataset, val_dataset, optimiseur, LR_scheduler et perte. Spécifiez les paramètres requis pour l’exécution à l’aide de cette commande. Configurez le processus d’entraînement NNU net avec une taille de lot de deux et 80 000 itérations. Enregistrez toutes les 20 itérations et utilisez la précision FP 16. Définissez l’intervalle d’enregistrement toutes les 1000 itérations. Ensuite, lancez Train.py. Ajoutez le paramètre use_VDL pour la visualisation visuelle des paramètres DL. Créez quatre fichiers yml, spécifiez les plis un à quatre et entraînez le modèle avec une validation croisée quintuple. Ensuite, incorporez le bloc PSAA dans l’ensemble du réseau en conservant les mêmes éléments que l’étape d’entraînement. Définissez la forme du volume et activez l’attention axiale sur true. Exécutez la commande single fold train.py. Évaluez un pli unique et configurez les paramètres. Traitement d’ensemble du processus sur cinq volets. Swin-PSAxialNet présente des performances de segmentation supérieures pour les organes abdominaux par rapport aux algorithmes de segmentation multi-organes courants. De plus, Swin-PSAxialNet a excellé dans la segmentation des limites, atteignant le coefficient moyen HD 95 le plus bas parmi tous les algorithmes comparés. L’introduction d’un mécanisme de partage des paramètres et l’amélioration de la structure du transformateur ont contribué à des améliorations significatives de la complexité du modèle et de la vitesse d’inférence par rapport aux autres méthodes. Des expériences d’ablation complètes ont révélé des performances de segmentation supérieures à celles du réseau NNU standard, mettant en évidence les avantages du bloc PSAA pour le suréchantillonnage.
Aperçu
Ce protocole décrit une méthode efficace de segmentation multi-organes appelée Swin-PSAxialNet, qui démontre une précision supérieure par rapport aux techniques antérieures. Les étapes clés comprennent la collecte du jeu de données, la configuration de l'environnement, le prétraitement des données, l'entraînement du modèle et des expériences d'ablation.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Segmentation d'images
- Apprentissage automatique
Contexte
- La segmentation est cruciale pour l'analyse des images multi-organes.
- Les méthodes précédentes présentent des limites en termes de précision et d'efficacité.
- Les progrès du deep learning peuvent améliorer les performances de segmentation.
- L'analyse multi-organes nécessite des techniques robustes et précises.
Objectif de l'étude
- Présenter Swin-PSAxialNet pour une segmentation améliorée.
- Comparer ses performances par rapport aux méthodes existantes.
- Valider la méthode au moyen d'expériences complètes.
Méthodes utilisées
- Collecte de jeux de données à partir de diverses sources.
- Configuration de l'environnement de calcul.
- Prétraitement des données pour améliorer l'apprentissage du modèle.
- Expériences d'ablation pour évaluer les composants du modèle.
Résultats principaux
- Swin-PSAxialNet a atteint une précision supérieure à celle des méthodes précédentes.
- La formation du modèle a démontré une efficacité en termes de temps de traitement.
- Les études d'ablation ont mis en évidence l'importance de composants spécifiques.
- Les résultats indiquent un potentiel pour des applications plus larges en analyse d'images.
Conclusions
- Swin-PSAxialNet est un outil prometteur pour la segmentation multi-organes.
- De futurs travaux pourraient explorer son application dans des contextes cliniques.
- Des améliorations continues des méthodes de segmentation sont essentielles.
Questions fréquemment posées
Pertinence sectorielle pour les cadres
La segmentation robuste de plusieurs organes dans l'imagerie TDM abdominale est essentielle pour permettre des lectures quantitatives et reproductibles en recherche préclinique et translationnelle. Swin-PSAxialNet améliore la précision de la segmentation et l'efficacité computationnelle, soutenant ainsi les pipelines d'analyse d'images à haut débit. Cette capacité renforce la confiance prédictive et la standardisation aux points critiques du développement de médicaments et de biomarqueurs.
Applications stratégiques en recherche et développement biopharmaceutique
Début de la découverte et validation de la cible
- Permet une délimitation anatomique précise pour des études fondées sur des hypothèses concernant les effets spécifiques des médicaments sur des organes.
- Contribue à l'atténuation des risques biologiques en fournissant une segmentation multiphénomérique précise pour la validation des cibles.
- Facilite le tri des portefeuilles en générant des critères d'évaluation quantitatifs reproductibles basés sur l'imagerie.
Développement de criblages et de tests
- Prépare des cartes de segmentation d'organes validées pour des dosages d'imagerie quantitative en aval.
- Améliore la reproductibilité et la standardisation des dosages grâce à une segmentation automatisée et de haute précision.
- Permet un criblage à grande échelle des effets de composés sur plusieurs systèmes organiques dans des jeux de données d'imagerie.
Recherche translationnelle et préclinique
- Aligne les résultats d'imagerie avec les caractéristiques anatomiques pertinentes pour les études translationnelles de biomarqueurs.
- Assure la continuité entre la découverte par imagerie et la validation préclinique en standardisant les résultats de segmentation.
- Réduit les risques liés à l'utilisation de critères d'évaluation basés sur l'imagerie grâce à une meilleure précision de la segmentation.
Intégration des pipelines et des flux de travail
Swin-PSAxialNet s'intègre aux flux de travail d'analyse d'images couvrant la découverte précoce, l'identification de composés candidats et la recherche préclinique, là où une segmentation quantitative des organes est requise.
- Biologie de la découverte : Fournit une segmentation de haute fidélité pour tester des hypothèses anatomiques et clarifier les voies spécifiques aux organes.
- Écrantage : Produit des résultats de segmentation reproductibles et quantitatifs pour l'évaluation de composés dans les écrans basés sur l'imagerie.
- Analytique : Génère des mesures et des lectures standardisées permettant la comparaison entre différentes conditions et l'analyse statistique.
- Recherche translationnelle : Permet d'associer des biomarqueurs d'imagerie à des critères d'évaluation précliniques et cliniques lorsque cela est soutenu par des données d'imagerie.
- Réutilisation en entreprise : Offre une capacité de segmentation évolutive et réutilisable pour des ensembles de données d'imagerie variés à travers différents programmes.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive et réduit l'ambiguïté dans la validation d'objectifs fondée sur l'imagerie.
- Valeur opérationnelle : Améliore la standardisation, la reproductibilité et l'efficacité computationnelle des flux de travail d'analyse d'images.
- Valeur stratégique : Favorise de meilleures décisions d'orientation (go/no-go) et une meilleure efficacité du capital en fournissant des critères d'évaluation par imagerie solides.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque des programmes guidés par l'imagerie et des études translationnelles.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en analyse d'images médicales et en déploiement de modèles d'apprentissage profond.
- Requiert un accès à une infrastructure informatique haute performance pour l'entraînement et l'inférence des modèles.
- Exige une standardisation interéquipes des protocoles d'imagerie et des formats de données.
- Pourrait nécessiter une adaptation à différentes modalités d'imagerie ou à d'autres systèmes organiques que la tomodensitométrie abdominale.
- Les performances dépendent de la qualité et de la diversité des jeux de données d'entraînement, comme indiqué dans l'étude.
