אימון מודל בינה מלאכותית לזיהוי ניתוח אאורטלי באמצעות תמונות טומוגרפיה ממוחשבת ללא ניגודיות ממטופלים אנושיים

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

doi:10.3791/71056

Method Article

אימון מודל בינה מלאכותית לזיהוי ניתוח אאורטלי באמצעות תמונות טומוגרפיה ממוחשבת ללא ניגודיות ממטופלים אנושיים

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

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

פרוטוקול זה מתאר אימון מודל בינה מלאכותית לזיהוי דיסקציה אאורטלית באמצעות תמונות טומוגרפיה ממוחשבת שאינן בניגודיות, ומאפשר סינון מהיר ונגיש בסביבות קליניות.

Abstract

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

כריתת אאורטה (AD) היא תוצאה קיצונית של פגיעה בהומאוסטזיס של שינוי כלי דם ודורשת זיהוי מהיר ומדויק בפרקטיקה קלינית. פרוטוקול זה מתאר מודל למידה מבוסס בינה מלאכותית לזיהוי AD המשתמש בטומוגרפיה ממוחשבת לא-ניגודית (CT). אוספו נתוני CT חזה ו-CT אאורטי ממטופלים עם AD וללא AD בבית חולים שלישוניים דרגה A. מבני כלי הדם על כל תמונה צירית חולקו ידנית והועברו להערות באמצעות תוכנת הקוד הפתוח LabelMe כדי להקים מאגר נתונים לסגמנטציה לפיתוח והערכת מודלים. מערך הנתונים חולק לקבוצות אימון, בדיקות ואימות ביחס של 8:1:1 לאימון ואימות מודלים. לאחר פיתוח מודל עם ביצועי זיהוי חזקים, נבנתה פלטפורמת עיבוד מקוונת להמחשה והצגת התוצאות בצורה יעילה. גישה זו מספקת כלי עוצמתי ואינטליגנטי לסינון מהיר וראשוני של AD ומתמודדת עם הצורך הקליני הבלתי מסופק לגילוי מוקדם נגיש בסביבות קליניות מגוונות.

Introduction

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

דיסקציה אאורטלית (AD) היא מצב אקוטי מסכן חיים, המאופיין בכך שדם נכנס לשכבה המדיאלית של דופן האאורטה דרך קרע ברירית האינטמאלית, ויוצר לומן מזויף שנחתך ומתפשט¹. ללא אבחון וטיפול בזמן, שיעור התמותה גבוה מאוד, שיעור התמותה בתוך 24 שעות (כולל מוות לפני ההגעה לבית החולים) עמד על 93%². אנגיוגרפיה טומוגרפית ממוחשבת (CTA) היא התקן הזהב לאבחון AD, שכן היא יכולה להמחיש בבירור את הלומנים האמיתיים והשקריים, את מיקום הקרע ואת היקף המעורבות³. עם זאת, CTA דורש הזרקת חומרי ניגוד המכילים יוד, אשר נושאים סיכון לתגובות אלרגיות ולנפרוטוקסיות ^4,5

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

Protocol

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

כל איסוף הנתונים הקשורים לבני אדם במחקר זה בוצע בהתאם לסטנדרטים האתיים של הצהרת הלסינקי ואושר על ידי ועדת האתיקה של בית החולים המאוחד סין-יפן באוניברסיטת ג'ילין (מספר אישור: 2019103004). הסכמה מדעת התקבלה בכתב מכל המשתתפים או האפוטרופוסים החוקיים שלהם לפני איסוף המידע הרלוונטי שלהם. כל המידע האישי של הנבדקים נשמר בסודיות מוחלטת כדי להגן על פרטיותם, ולא בוצעו פעולות ניסוי על הנבדקים במהלך תהליך איסוף הנתונים.

1. בניית מאגר נתונים

איסוף נתונים וחלוקת מערכי נתונים
1. אספו צילומי CT קליניים ללא חומר ניגוד מחזה מ-300 מטופלים שאושפזו בבית החולים האיחוד סין-יפני באוניברסיטת ג'יל....

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

Results

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

סעיף זה מציג את התוצאות הניתנות לשכפול, מאומתות על ידי מימוש, של מודל זיהוי אובייקטים דו-מחלקתי לזיהוי AD מתמונות NCCT, המותאם בקפדנות לצינור האימון המאומת ולמסגרת ההערכה של COCO (איור 1). כל המדדים נגזרים ממערך הבדיקה המוחזק באמצעות COCOeval, ללא נתונים מזויפים או אינדיקטורים לא מאומתים.

ביצועי זיהוי כמותי

המודל הוערך על בסיס סט הבדיקה המוחזק שכלל 140 תמונות (154 הערות) באמצעות מדדי זי.......

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

Discussion

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

קלינאים, במיוחד רופאי חירום, עלולים לחוות ירידה בביצועי האבחון כאשר מטופלים מגיעים עם תסמינים לא טיפוסיים או כאשר נפח מטופלים גבוה במחלקות מיון מטיל מגבלות זמן. לעומת זאת, מודל AI שאומן לזיהוי AD ב-NCCT יכול לספק ביצועים עקביים ויציבים גם אצל מטופלים ללא תסמינים, מבלי להיות מוגבל על ידי זמן קריאה, ובכך לשפר את הדיוק והיעילות באבחון AD והמטומה תוך-בית⁹.

שלב בניית מערך הנתונים קריטי לביצועי המודלים, ויחס החלוקה 8:1:1 מאזן בין אימון מספק ל.......

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

Disclosures

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

המחברים מצהירים שאין ניגוד עניינים.

Acknowledgements

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

המחברים מודים בהכרת תודה למחלקת הרדיולוגיה בבית החולים האיחוד סין-יפן באוניברסיטת ג'ילין על מתן נתוני הדמיה קלינית ותמיכה מקצועית בהערות. מחקר זה נתמך על ידי מחלקת המדע והטכנולוגיה של מחוז ג'ילין, סין (מענק מס' 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
ארכיטקטורת R-CNN קסקייד	OpenMMLab (MMDetection)	configs/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	ארכיטקטורת זיהוי בשימוש במסגרת
תמונות טומוגרפיה ממוחשבת של החזה (ללא קונטרסט)	מאגר נתונים קליניים שנבנה בעצמו	מערך תמונות צירי של NCCT	נתוני הדמיה קלינית המשמשים לפיתוח מודלים
קבצי הערות בפורמט COCO	נוצר במהלך הפרוטוקול	JSON (פורמט COCO)	קבצי אנוטציה שהומרו המשמשים לאימון מודלים
משקולות מאומנות מראש של COCO	OpenMMLab MMDetection model zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	משמש לאתחול מודל
ארכיטקטורת HRNetV2p-W32	OpenMMLab (MMDetection)	עמוד השדרה HRNetV2p-W32 (מיושם ב-MMDetection 2.28.2)	מודל עמוד השדרה בשימוש
ITK-SNAP	צוות הפיתוח של ITK-SNAP	3.8.0	משמש להמרת פורמט תמונה ולייצוא slice
קבצי הערות JSON	פלט של LabelMe	פורמט JSON סטנדרטי	מכיל קואורדינטות ותוויות של הערות
LabelMe	MIT CSAIL	4.8.3	משמש להערות תמונות ידניות
MMDetection	OpenMMLab	2.28.2	מסגרת זיהוי אובייקטים המשמשת ליישום
MMCV	OpenMMLab	1.7.2	ספריית ליבה התומכת ב-MMDetection
NumPy	מפתחי NumPy	1.26.4	ספריית חישוב נומרי
כרטיס גרפי NVIDIA RTX 3080 Ti	NVIDIA	RTX 3080 Ti	חומרה המשמשת לאימון
OpenCV	OpenCV	4.9.0	עיבוד תמונה והדמיה
פייקוקוטולס	PyPI / COCO API	2.0.6	ספריית הערכת פורמט COCO
פייתון	קרן התוכנה של פייתון	3.10.20	סביבת התכנות
פייטורץ'	פייטורץ'	2.0.1+cu118	מסגרת למידה עמוקה
TorchVision	פייטורץ'	0.15.2+cu118	כלי ראייה
מערכת ההפעלה אובונטו	קנוני	22.04.1 LTS	מערכת הפעלה של סביבת האימון

Reprints and Permissions

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

Request Permission

אימון מודל בינה מלאכותית לזיהוי ניתוח אאורטלי באמצעות תמונות טומוגרפיה ממוחשבת ללא ניגודיות ממטופלים אנושיים

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

Reprints and Permissions

Tags

Related Articles