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

Summary

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

Abstract

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

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. בנוסף, השגת זמינות מהירה 24 שעות היא קשה בבתי חולים ראשוניים רבים או במוסדות חירום. לעומת זאת, סריקת CT ללא חומר ניגוד (NCCT) אינה דורשת חומרי ניגוד, ומציעה בדיקה נוחה ומהירה עם מינון קרינה נמוך יחסית ויישום רחב יותר. עם זאת, בתמונות NCCT, הניגוד בין הלומנים האמיתיים והשקריים, וכן בין הפתח האינטימי לדם, נמוך, מה שמציב אתגרים משמעותיים לאבחון הוויזואלי של הרופאים ועלול בקלות להחמצת אבחנות או שגוי, במיוחד בקרב קלינאים פחות מנוסים. לכן, פיתוח טכניקה המסוגלת להשיג זיהוי אוטומטי מדויק ורגיש של AD ישירות מתמונות NCCT טומן בחובו ערך קליני חשוב ופוטנציאל יישום.

התקדמות אחרונה בלמידה עמוקה אפשרה זיהוי מדויק של תכונות פתולוגיות מתמונות רפואיות ללא ניגודיות ^6,7. רשת ברזולוציה גבוהה (HRNet) שומרת על מיפוי תכונות ברזולוציה גבוהה בכל הרשת, בעוד רשת סחיטה ועירוץ (SENet) משפרת ייצוג תכונות על ידי מידול תלותיות בין-ערוציות⁸. השילוב בין HRNet ל-SENet מספק אסטרטגיית חילוץ תכונות יעילה לייצוג רב-קנה מידה של תמונות NCCT, שהיא קריטית לזיהוי סימני AD עדינים, כגון פלפים אינטימליים וסימני דבל-לומן. כאן, מושג חילוץ התכונות מיושם במסגרת זיהוי עצמים באמצעות MMDetection ורשת עצבית קונבולוציונית מבוססת אזור קסקד (R-CNN), המאפשרת מיקום וסיווג חזקים של ניתוח האאורטה.

במחקר זה, מודל הבינה המלאכותית (AI) המבוסס על HRNet+SENet משתמש בתהליך אימון שלבי לזיהוי AD מתמונות NCCT (איור 1). הוא מדגיש תקנון של מערכי נתונים, חילוץ תכונות רב-קנה מידה וגמישות קלינית. מטרת שיטה זו היא לספק גישה אמינה לגילוי AD, במיוחד במצבי חירום וטיפול ראשוני שבהם הדמיה מוגברת בניגודיות מוגבלת או אינה זמינה.

איור 1. תהליך העבודה של מודל הבינה המלאכותית (AI) לזיהוי ניתוח אאורטה (AD). סכמטי של צינור ההדרכה למודל AI לזיהוי AD באמצעות תמונות טומוגרפיה ממוחשבת לא-ניגודיות (NCCT). תהליך העבודה כולל הכנת נתונים (איסוף תמונות והערות, תקנון פורמט ועיבוד מוקדם, ופיצול מערכי נתונים), בניית מודלים (עמוד שדרה HRNetV2p-W32 המשולב במסגרת זיהוי של Cascade R-CNN ומאוחל עם משקלים מאומנים מראש של COCO), אימון מודלים (אופטימיזטור SGD, קצב למידה לחישומי קוסינוס, ואובדן אנטרופיה חוצה), הערכת מודלים (מדדים כמותיים והדמיה איכותנית), ויישום קליני. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

Protocol

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

1. 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'ילין בין 1 במרץ 2022 ל-1 במרץ 2025, כולל 150 מטופלים עם AD ו-150 חולים ללא AD שאושרו על ידי CTA. כלול ADs מסוג A וסוג B. כל נתוני ההדמיה הגולמיים מוגבלים על ידי המוסד ואינם זמינים לציבור בשל פרטיות המטופלים ומגבלות אתיות.
   2. חלק את מערך הנתונים לקבוצות אימון, אימות ובדיקות ביחס של 8:1:1 ברמת המטופל. ודא שכל החתכות של מטופל אחד נשארות בתוך סט אחד כדי למנוע דליפת נתונים.
   3. לבצע דגימה שכבתית המבוססת על אבחון של AD/לא-AD כדי לשמור על איזון מחלקתי בכל תת-הקבוצה.
   4. מערך הנתונים היה מחולק מראש ברמת המטופל כפי שתואר לעיל, כדי למנוע דליפת מידע ברמת המטופל. אומץ זרע אקראי קבוע של 42 עבור אלגוריתם האימון לשליטה בתהליכים אקראיים כולל ערבוב נתונים, שדרוג מקוון ואתחול מודלים במהלך האימון; זרע זה היה עצמאי ולא יושם על חלוקת מערכי נתונים.
      אזהרה: ודאו שכל נתוני הדמיית המטופל אנונימיים לחלוטין לפני העיבוד כדי להגן על פרטיות המטופל ולעמוד בהנחיות מוסדיות ורגולטוריות.
2. הוצאת נתונים
   1. החריגו תמונות עם ארטיפקטים חמורים של תנועה.
   2. החריגו תמונות עם טווח סריקה לא מספק שאינן מכסות את כל האאורטה.
   3. יש להוציא תמונות עם רעש תמונה מופרז, המוגדר כסטיית תקן של ערכי החלשת CT העולים על 30 HU באאורטה החזה היורדת.
3. המרת תמונה
   1. טעין נתוני תמונת DICOM וייצא פרוסות תמונה אקסיאליות באמצעות תוכנת עיבוד תמונה ITK-SNAP.
   2. הפעל את ITK-SNAP ולחץ על קובץ → פתח תמונה ראשית.
   3. בחר את סדרת המקור DICOM ולחץ על פתיחה.
   4. נווט בין פרוסות אקסיאליות באמצעות סליידר הפריסה.
   5. ייצא כל פרוסה על ידי לחיצה על קובץ → ייצוא → תמונה.
   6. בחר בפורמט PNG וציין את תיקיית הפלט.
   7. שמור כל פרוסה כקובץ נפרד.
   8. כל פרוסות התמונה שיוצאו קיבלו שמות אחידים לפי הפורמט הקבוע IMG-[PatientID]-[SliceIndex].png, תוך אימוץ מזהי מטופלים ייחודיים ומספור פרוסות רציף כדי להבטיח מעקב.
4. הגדרת הערות תמונה
   1. פתח כל תמונה אקסיאלית באמצעות תוכנת הערות LabelMe.
   2. הפעל את LabelMe ולחץ על Open Directory.
   3. לנווט לתיקייה שמכילה תמונות אקסיאליות וטען את כל התמונות.
5. סגמנטציה ידנית
   1. בחר בכלי Create Polygon ב-LabelMe כדי להוסיף הערות למבנים וסקולריים (איור 2). כלול את הלומן האאורטי, הפלף האינטימי וגבולות הדיסקציה הנראים במהלך ההערה. במהלך הסימון, כל מבנה האאורטה הכולל את הפלאפל האינטימי עוצב כאזור משולב אחד. טווח ההערות כיסה באופן אחיד את כל מקטע האאורטה הנראה עם נגעים בחתירה וגבולות קרעים אינטימליים, ללא סגמנטציה או הבחנה נפרדת של הלומן האמיתי, הלומן השקרי או תת-האזורים הוסקולריים העצמאיים.
   2. הגדר גבולות כלי על ידי הצבת קודקודים לאורך המבנה.
   3. סגור את המצולע על ידי חיבור הקודקוד האחרון לקודקוד הראשון.
   4. שנו הערות באמצעות כלי Modify Polygon לפי הצורך.
6. הקצאת תוויות
   1. כל הערה מוגמרת לפוליגון סומנה בשתי קטגוריות סטנדרטיות ועקביות למקרה: "חיתוך אאורטל" לדיסקציה אאורטלית ו"בריא" לתמונות אאורטליות רגילות.
   2. ודאו ששמות התוויות משמשים באופן עקבי בכל ההערות ונשארים זהים באיות ובפורמט בכל מאגר הנתונים.
   3. בחר תוויות מהרשימה הנפתחת או הזן ידנית.
   4. לחץ על אישור או לחץ Enter כדי לאשר את הקצאת התווית.
   5. שמור הערות כדי ליצור קבצי JSON.
      הערה: הערות ידניות עשויות להשתנות בין מפעילים. ודאו קריטריוני הערות עקביים, ואם אפשר, כוללים אימות מומחה.
7. ייצוא הערות
   1. הפעל שמירה אוטומטית לייצא הערות בפורמט JSON.
   2. ודא שכל קובץ JSON תואם ל-CT המקורי שלו.
   3. ודאו שכל קובץ הערות שומר התאמה חד-עשתה עם קובץ התמונה המשויך לו.
   4. המרו הערות JSON לפורמט התואם למסגרת ההדרכה. הערות JSON של LabelMe הומרו לפורמט COCO באמצעות סקריפט Python מותאם לפני האימון. הקבצים המומרים (output_coco_annotations_{split}.json, כאשר split = train, valid, or test) נטענו ב-MMDetection 2.x באמצעות CocoDataset עם LoadAnnotations(with_bbox=True).
8. בקרת איכות נתונים
   1. הסר ערכים לא תקינים המבוססים על קריטריוני איכות מוגדרים מראש, כולל קבצי תמונה חסרים, הערות לא שלמות, או זוגות תמונה-הערות לא תואמים.
   2. יצירה ושמות של קבצי הערות COCO מנוקים לצורך אימון, אימות ובדיקות. ההערות המנוקות נשמרו כקבצי COCO JSON ספציפיים לפיצול באמצעות כלל השמות הקבוע output_coco_annotations_{split}.json. במיוחד, שלושת קבצי הפלט היו train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json ו-test/output_coco_annotations_test.json, כאשר התמונות המתאימות נשמרו ב-train/images/, valid/images/, ו-test/images/. קבצים אלו שימשו ישירות על ידי צינור ההדרכה MMDetection.
9. ארגון מערכי הנתונים
   1. ארגן את מאגר הנתונים לתיקיות train, validation ו-test split. מאגר הנתונים אורגן תחת תיקיית השורש aortic_dissection_dataset/ וחולק לשלושה תתי-תיקיות ספציפיות לפיצול: train/, valid/, ו-test/. כל תת-תיקיה הכילה תמונות/תיקייה עם קבצי התמונות השייכים לאותו פיצול.
   2. אחסן קבצי הערות COCO ספציפיים לפיצול בתוך כל תיקיית פיצול מתאימה במקום בתוך תיקיית השורש של מערך הנתונים. הערות הדרכה, אימות ובדיקות נשמרו כ-train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json ו-test/output_coco_annotations_test.json, בהתאמה. קבצים אלו נטענו על ידי הגדרת מסלולי ann_file img_prefix ספציפיים לפיצול במהלך הגדרת המודל.
   3. שמור על מבנה תיקיות עקבי בין מאגרי הדרכה, אימות ובדיקות כדי להבטיח תאימות למסגרת ההדרכה.
10. צינור נתוני אימון
    1. טעין תמונות ותיבה סגורה.
    2. שנו את גודל התמונות ל-512×512 תוך שמירה על יחס הגובה-רוחב.
    3. הפעילו היפוך אקראי בהסתברות 0.5.
    4. החלו הגדלת נתונים באמצעות הגדרות פרמטרים מפורשות. במהלך האימון, תמונות קלט שונו לגודל של 512 × 512 פיקסלים (keep_ratio=נכון) ואחריהן הגדלה: הפיכה אקראית (flip_ratio=0.5), התאמת גמא (gamma_limit=90–110, p=0.4), התאמת בהירות/ניגודיות (brightness_limit=0.15, contrast_limit=0.15, p=0.4), טרנספורמציה גאומטרית (shift_limit=0.03, scale_limit=0.08, rotate_limit=10°, p=0.4), ורעש גאוסי (var_limit=5.0–25.0, p=0.2). תמונות אימות ובדיקה שונו בגודל, נורמל וריפדו רק ללא שדרוג.
    5. יישם את כל פעולות ההרחבה באמצעות הגדרות פרמטרים עקביות לאורך ריצות אימון כדי להבטיח שחזוריות.
    6. נרמול תמונות באמצעות ממוצע [123.675, 116.28, 103.53] וסטיית תקן [58.395, 57.12, 57.375].
    7. תמונות פד למכפלות של 32.
11. צינור אימות ובדיקות
    1. טען תמונות.
    2. שינוי גודל תמונות.
    3. נרמל תמונות.
    4. תמונות פד למכפלות של 32.
12. בניית מסגרת מודל
    1. לבנות גלאי אובייקטים דו-מחלקתי ב-MMDetection 2.x באמצעות תצורת HRNetV2p-W32 + Cascade R-CNN מותאמת. הגלאי יושם ב-MMDetection 2.x בהתבסס על cascade_rcnn_hrnetv2p_w32_20e_coco.py הקונפיגורציה הרשמית והופעל עם משקלים מוכנים מראש של COCO cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. השתמש ב-HRNetV2p-W32 כעמוד השדרה וב-Cascade R-CNN כגלאי כפי שהוגדר בתצורה המתוארת בשלב 1.12.1.
    3. התאימו את תצורת ה-MMDetection הבסיסית למשימה בת שתי מחלקות. המודל שונה למשימה בת שתי מחלקות על ידי קביעת num_classes = 2 עם שמות מחלקות "ניתוח אאורטי" ו"בריא", ועדכון מסלולי מערכי הנתונים לצורך אימון, אימות וסטים של בדיקות. התצורה הסופית הניתנת לשחזור נשמרה כ-AorticDissection_full_pipeline_config.py.
    4. הגדר מחלקות ככריתת אאורטה ובריאה.
13. תצורת אימונים
    1. מתאמן באמצעות כרטיס גרפי NVIDIA RTX 3080 Ti.
    2. הגדר את האופטימיזציה לירידת גרדיאנט סטוכסטית.
    3. הגדר את קצב הלמידה ל-0.0001.
    4. קבע מומנטום ל-0.9.
    5. הגדר את דעיכת המשקל ל-0.0001.
    6. הגדר את מספר התקנים ל-30.
    7. הגדר גודל אצווה ל-1 לכל כרטיס גרפי.
    8. הפעילו מתזמן קצב למידה מבוסס אפוק עם הגדרות חימום מפורשות. קצב הלמידה השתמש במתזמן אנילינג קוסינוס מבוסס אפוק (by_epoch=נכון) עם חימום ליניארי עבור 500 האיטרציות הראשונות (warmup_ratio=1e-4). האימון נמשך 30 תקופות, כאשר קצב הלמידה המינימלי נשלט על ידי min_lr_ratio=1e-2.
    9. השתמש ב-FocalLoss וב-SmoothL1Loss.
       הערה: ניתן להשהות את הפרוטוקול לאחר בניית ופיצול מערכי הנתונים. אחסן את כל הנתונים המעובדים בצורה מאובטחת לפני שממשיכים.

איור 2. הערות ידניות של AD על תמונת NCCT. תמונת NCCT אקסיאלית מייצגת המדגימה הערות ידניות ל-AD. אזור האאורטה והמאפיינים הפתולוגיים, כולל הפלאפל הפנימי, מסומנים באמצעות מצולע (ירוק). תמונה עם הערות זו משמשת לאימון דגמים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

2. ארכיטקטורת מודלים

1. הגדרת הדגם
   1. בנו את הגלאי הדו-מחלקתי ב-MMDetection 2.x באמצעות קוד קונפיגורציה הרצה. הגלאי נבנה ב-MMDetection 2.x מתוך הקונפיגורציה הרשמית של cascade_rcnn_hrnetv2p_w32_20e_coco.py דרך Config.fromfile(...), ולאחר מכן שונה למשימה דו-מחללית (num_classes=2, שמות מחלקות: "Dissection Aortic Dissection", "Healthy") עם מסלולי מערכי נתונים מותאמים אישית. המודל הופיע באמצעות build_detector(...) ו-init_detector(...), כאשר הקונפיגורציה המלאה הסופית יוצאה כ-AorticDissection_full_pipeline_config.py.
   2. הזנת תמונות NCCT אקסיאליות למודל.
   3. תיבות הגבלת פלט, תוויות מחלקות וציוני ביטחון (איור 3).
   4. השתמשו בהערות סגמנטציה מבוססות פוליגונים שנוצרו במהלך הכנת מערכי הנתונים כדי להגדיר אזורים מעניינים, והמירו את ההערות הללו לתיבות גבולות לאימון מודלים, ויזואליזציה וגילוי סופי.
      הערה: מסגרת הזיהוי משתמשת בתיבות הגבול הללו כדי לייצר תוצאות סיווג סופיות וציוני ביטחון.
2. תצורת עמוד השדרה
   1. השתמש ב-HRNetV2p-W32 כרשת עמוד השדרה.
   2. הסר את כל מודולי התוספים כדי להבטיח יציבות אימון.
3. ארכיטקטורת גילוי
   1. השתמש ב-Cascade R-CNN לגילוי.
4. אובדן ותצורת עוגן
   1. הגדר את הסיווג ואובדן הרגרסיה עם הגדרות פרמטרים מפורשות. בראשי התשואה (ROI), אובדן הסיווג הוגדר ל-FocalLoss עם use_sigmoid=True ו-loss_weight = 1.0. אובדן רגרסיית תיבות הגבול על התשואה הוגדר ל-SmoothL1Loss עם בטא = 1.0 ו-loss_weight = 0.5. ב-RPN, אובדן הסיווג הוגדר גם ל-FocalLoss עם use_sigmoid=True ו-loss_weight = 1.0, בעוד שהפסד הרגרסיה הוגדר ל-L1Loss עם loss_weight = 1.0.
   2. הגדר את יחסי הגובה-רוחב המותאמים של העוגן. יחסי הגובה-רוחב של עוגן RPN הותאמו במפורש ל-0.5, 1.0, 2.0 ו-3.0.
   3. שמור את ערכי קנה המידה של עוגן ברירת המחדל מהקונפיגורציה הרשמית של בסיס MMDetection. מחקר זה אימץ ערכי סולם עוגן ברירת מחדל מתוך קובץ הקונפיגורציה הרשמי של MMDetection cascade_rcnn_hrnetv2p_w32_20e_coco.py, ללא שינויים ידניים נוספים.
5. הגדרת פלט
   1. תחזיות פלט לשתי קטגוריות: כריתת אאורטה ובריאה.

איור 3. זיהוי AD באמצעות מודל הבינה המלאכותית. שמאל: הזן תמונת NCCT. מימין: פלט מודל שמראה זיהוי של AD, כאשר האזור החזוי מודגש על ידי תיבת הגבלה וציון אמון נלווה. איור זה מדגים את זיהוי הפרעת אור בתמונות NCCT ואת ההדמיה של תוצאות הזיהוי. ציון הביטחון מייצג את ביטחון החיזוי של המודל לזיהוי AD. אנא לחצו כאן כדי לצפות בגרסה רחבה יותר של הנתון.

3. אימון מודלים

1. סביבת האימון
   1. בצע אימון על כרטיס המסך NVIDIA RTX 3080 Ti.
   2. השתמש ב-Ubuntu 22.04.1 LTS.
   3. השתמש ב-PyTorch 2.0.1, MMCV 1.7.2, ו-MMDetection 2.28.2.
2. אתחול מודל
   1. אתחול את המודל באמצעות נקודת ביקורת HRNetV2p-W32 + Cascade R-CNN מאומנת מראש על ידי COCO. הגלאי אותחל מנקודת ביקורת מאומנת מראש על ידי COCO, שצוינה במפורש בתצורת הניסוי כ-cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. נקודת ביקורת זו שימשה כקובץ משקל אתחול ללמידת העברה במחקר הנוכחי.
   2. אתחול מחדש של שכבות סיווג לשתי מחלקות.
3. היפרפרמטרים
   1. הגדר את האופטימיזציה לירידת גרדיאנט סטוכסטית.
   2. הגדר את קצב הלמידה ל-0.0001.
   3. קבע מומנטום ל-0.9.
   4. הגדר את דעיכת המשקל ל-0.0001.
   5. הגדר את מספר התקנים ל-30.
   6. הגדר את גודל האצווה ל-1.
   7. הגדר את המתזמן לאנילינג קוסינוס עם חימום.
4. ביצוע אימון
   1. טען תמונות והערות.
   2. שינוי גודל התמונות ל-512×512.
   3. הפעיל שדרוגים.
   4. נרמל והפדל תמונות.
   5. בצע הדרכת מודלים באמצעות סקריפט הצינור המלא המותאם אישית MMDetection 2.x: python full_pipeline_mmdet2_aortic_dissection.py, שטוען ומתאים את תצורת הבסיס הרשמית ומתחיל אימון באמצעות הפונקציות build_detector(...) ו-train_detector(...).
      הערה: הסקריפט בוצע בסביבת MMDetection 2.28.2 כאשר כל התלויות מותקנות כפי שמוגדר בטבלת החומרים.
   6. הערך ביצועים על סט האימות לאחר כל תקופה.
   7. שמור על תנאי אימון עקביים כולל סדר נתונים, הגדרות פרמטרים ותצורת חומרה לשחזור.
5. בחירת מודלים
   1. בחר את המודל בעל הביצועים הטובים ביותר בהתבסס על ממוצע הדיוק הממוצע (bbox_mAP) הגבוה ביותר של תיבת הגבול () שהושג על קבוצת הוולידציה.
      הערה: קריטריוני הבחירה עשויים לכלול דיוק, רגישות, ספציפיות או מקדם קוביות בהתאם למטרות המחקר.
6. הערכה סופית
   1. הערך את המודל על מערך הבדיקה העצמאי באמצעות COCOeval. ההערכה בוצעה דרך full_pipeline_mmdet2_aortic_dissection.py הסקריפט עם run_train=שגוי ו-run_eval=נכון. הסקריפט טען את נקודת הביקורת שנבחרה, יצר תחזיות על קבוצת הבדיקה העצמאית, המיר אותן לקבצי תוצאות בפורמט COCO, וחישב מדדי bbox באמצעות COCOeval.
      הערה: ההערכה בוצעה באותה סביבת MMDetection 2.28.2 כדי להבטיח עקביות עם מערכת האימון.
   2. מדדי דיווח כוללים mAP, AP50, AP75, ו-AP לכל כיתה.
   3. בצע הערכה באמצעות אותן הגדרות של מערך נתונים והגדרות מטריות כדי להבטיח עקביות בין הניסויים.

Results

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...

Discussion

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...

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