Addestramento di un modello di intelligenza artificiale per la rilevazione della dissezione aortica utilizzando immagini di tomografia computerizzata senza contrasto di pazienti umani

Summary

Questo protocollo descrive l'addestramento di un modello di intelligenza artificiale per rilevare la dissezione aortica utilizzando immagini di tomografia computerizzata senza contrasto, consentendo uno screening rapido e accessibile in contesti clinici.

Abstract

La dissezione aortica (DA) è una conseguenza estrema dell'omeostasi di rimodellamento vascolare compromessa e richiede un'identificazione rapida e accurata nella pratica clinica. Questo protocollo descrive un modello di apprendimento basato sull'intelligenza artificiale per l'identificazione della DA, utilizzando la tomografia computerizzata (CT) senza contrasto. Sono stati raccolti dataset per TC toracica e angiografia aortica da pazienti con e senza AD in un ospedale terziario di grado A. Le strutture vascolari su ciascuna immagine assiale sono state segmentate manualmente e annotate utilizzando il software open-source LabelMe per stabilire un dataset di segmentazione per lo sviluppo e la valutazione del modello. Il dataset è stato suddiviso in set di addestramento, test e validazione con un rapporto 8:1:1 per l'addestramento e la validazione del modello. Dopo lo sviluppo di un modello con prestazioni di rilevamento robuste, è stata costruita una piattaforma di elaborazione online per visualizzare e presentare efficacemente i risultati. Questo approccio fornisce uno strumento potente e intelligente per uno screening rapido e preliminare della DA e risponde al bisogno clinico non soddisfatto di una diagnosi precoce accessibile in diversi ambienti clinici.

Introduction

La dissezione aortica (DA) è una condizione acuta potenzialmente letale, caratterizzata dal sangue che entra nello strato mediale della parete aortica attraverso una lacerazione nella mucosa intima, formando un falso lumen¹ che si disseziona ed espande. Senza una diagnosi e un trattamento tempestivi, il tasso di mortalità è estremamente alto, con l'incidenza di decessi entro 24 ore (inclusa la morte prima dell'arrivo in ospedale) del 93%^2. La tomografia computerizzata con contrasto (CTA) è il punto di riferimento per la diagnosi dell'Alzheimer, poiché può visualizzare chiaramente i lumeni veri e falsi, la posizione della lacerazione e l'entità del^{coinvolgimento 3}. Tuttavia, la CTA richiede l'iniezione di agenti di contrasto contenenti iodio, che comportano rischi di reazioni allergiche e^{nefrotossicità 4,5}. Inoltre, raggiungere una disponibilità rapida 24 ore su 24 è difficile in molti ospedali primari o in contesti di emergenza. Al contrario, la TAC non a contrasto (NCCT) non richiede agenti di contrasto, offrendo un esame comodo e rapido con una dose di radiazione relativamente bassa e un'applicazione più ampia. Tuttavia, nelle immagini NCCT, il contrasto tra i lumeni veri e falsi, così come tra il lembo intimo e il sangue, è basso, ponendo notevoli difficoltà per la diagnosi visiva dei medici e portando facilmente a diagnosi sbagliate o errate, specialmente tra i clinici meno esperti. Pertanto, lo sviluppo di una tecnica in grado di ottenere una rilevazione automatica ad alta precisione e alta sensibilità dell'AD direttamente dalle immagini NCCT ha un importante valore clinico e prospettive applicative.

I recenti progressi nel deep learning hanno permesso l'identificazione accurata delle caratteristiche patologiche da immagini mediche non a^{contrasto 6,7}. La rete ad alta risoluzione (HRNet) mantiene mappe di caratteristiche ad alta risoluzione in tutta la rete, mentre la rete squeeze-and-excitation (SENet) migliora la rappresentazione delle caratteristiche modellando le dipendenze^{intercanale 8}. La combinazione di HRNet e SENet fornisce una strategia efficace di estrazione delle caratteristiche per la rappresentazione multiscala delle immagini NCCT, fondamentale per rilevare segni AD sottili, come le lingue intimali e i segni a doppio lumen. In questo caso, questo concetto di estrazione di caratteristiche è implementato all'interno di un framework di rilevamento degli oggetti utilizzando MMDetection e la Cascade Region-based Convolutional Neural Network (R-CNN), consentendo una localizzazione e classificazione robuste della dissezione aortica.

In questo studio, il modello di intelligenza artificiale (IA) basato su HRNet+SENet utilizza un processo di addestramento a passo a passo per identificare l'AD dalle immagini NCCT (Figura 1). Enfatizza la standardizzazione dei dataset, l'estrazione di caratteristiche su scala multipla e l'adattabilità clinica. L'obiettivo di questo metodo è fornire un approccio affidabile per il rilevamento dell'AD, in particolare in contesti di emergenza e di cure primarie dove l'imaging con contrasto potenziato è limitato o non disponibile.

Figura 1. Flusso di lavoro del modello di intelligenza artificiale (IA) per la rilevazione della dissezione aortica (AD). Schema della pipeline di addestramento del modello AI per il rilevamento della DA utilizzando immagini di tomografia computerizzata non a contrasto (NCCT). Il flusso di lavoro include la preparazione dei dati (raccolta e annotazione delle immagini, standardizzazione e pre-elaborazione del formato, e suddivisione del dataset), costruzione del modello (backbone HRNetV2p-W32 integrata in un framework di rilevamento Cascade R-CNN e inizializzata con pesi pre-addestrati COCO), addestramento del modello (ottimizzatore SGD, tasso di apprendimento per annealing coseno, perdita di entropia incrociata), valutazione del modello (metriche quantitative e visualizzazione qualitativa) e applicazione clinica. Clicca qui per visualizzare una versione più grande di questa figura.

Protocol

Tutta la raccolta di dati relativi all'uomo in questo studio è stata condotta in conformità con gli standard etici della Dichiarazione di Helsinki ed è stata approvata dal Comitato Etico dell'Ospedale dell'Unione Cina-Giappone dell'Università di Jilin (Numero di approvazione: 2019103004). Il consenso informato è stato ottenuto per iscritto da tutti i singoli partecipanti o dai loro tutori legali prima della raccolta delle informazioni rilevanti. Tutte le informazioni personali dei soggetti venivano mantenute strettamente riservate per tutelare la loro privacy, e non sono state effettuate operazioni sperimentali sui soggetti durante il processo di raccolta dati.

1. Costruzione del dataset

1. Raccolta dati e partizionamento dei dataset
   1. Raccogliere immagini cliniche di TAC toracica senza contrasto di 300 pazienti ricoverati presso l'Ospedale Unionale Cina-Giappone dell'Università di Jilin tra il 1° marzo 2022 e il 1° marzo 2025, inclusi 150 pazienti con DA e 150 pazienti senza DA verificati tramite CTA. Includere i tipi A e B AD. Tutti i dati di imaging grezzi sono limitati dall'istituzione e non sono disponibili pubblicamente a causa della privacy dei pazienti e delle restrizioni etiche.
   2. Partizionare il dataset in set di addestramento, validazione e test con un rapporto di 8:1:1 a livello di paziente. Assicurati che tutte le sezioni di un paziente rimangano all'interno di un unico set per eliminare la fuga di dati.
   3. Effettuare campionamenti stratificati basati sulla diagnosi AD/non-AD per preservare l'equilibrio delle classi in tutti i sottoinsiemi.
   4. Il dataset è stato pre-suddiviso a livello di paziente come descritto sopra per evitare la fuga di informazioni a livello di paziente. È stato adottato un seed casuale fisso di 42 per l'algoritmo di addestramento per controllare processi casuali, inclusi il data shuffling, l'aumento online e l'inizializzazione del modello durante l'addestramento; Questo seed era indipendente e non applicato alla partizione del dataset.
      ATTENZIONE: Assicurarsi che tutti i dati di imaging dei pazienti siano completamente anonimizzati prima del trattamento per proteggere la privacy del paziente e rispettare le linee guida istituzionali e normative.
2. Esclusione dei dati
   1. Escludi immagini con gravi artefatti di movimento.
   2. Escludere immagini con un raggio di scansione insufficiente che non copre l'intera aorta.
   3. Escludere le immagini con rumore eccessivo, definita come una deviazione standard dei valori di attenuazione della TAC superiori a 30 HU nell'aorta toracica discendente.
3. Conversione immagine
   1. Carica i dati immagine DICOM ed esporta le fette assiali utilizzando il software di elaborazione immagini ITK-SNAP.
   2. Avvia ITK-SNAP e clicca su File → apri immagine principale.
   3. Seleziona la serie DICOM di origine e clicca su Open.
   4. Naviga attraverso le fette assiali usando il cursore a fette.
   5. Esporta ogni fetta cliccando su File → Esporta → Immagine Slice.
   6. Seleziona il formato PNG e specifica la cartella di output.
   7. Salva ogni fetta come un singolo file.
   8. Tutte le fette di immagine esportate erano nominate uniformemente seguendo il formato fisso IMG-[PatientID]-[SliceIndex].png, adottando identificatori unici dei pazienti e numerazione sequenziale delle fette per garantire la tracciabilità.
4. Impostazione dell'annotazione delle immagini
   1. Apri ogni immagine assiale usando il software di annotazione LabelMe.
   2. Avvia LabelMe e clicca su Apri Cartella.
   3. Naviga fino alla cartella contenente immagini assiali e carica tutte le immagini.
5. Segmentazione manuale
   1. Seleziona lo strumento Crea poligono in LabelMe per annotare le strutture vascolari (Figura 2). Includere il lumen aortico, il lembo intimo e i confini visibili della dissezione durante l'annotazione. Durante l'etichettatura, l'intera struttura aortica che coinvolge il lembo intimo è stata sagomata come una singola regione integrata. L'ambito di annotazione ha coperto uniformemente l'intero segmento aortico visibile con lesioni dissezionali e confini di lacerazione intimi, senza segmentazione o distinzione separata tra il vero lumene, il falso lumen o le sottoregioni vascolari indipendenti.
   2. Definire i confini dei vasi posizionando vertici lungo la struttura.
   3. Chiudi il poligono collegando il vertice finale al primo vertice.
   4. Modifica le annotazioni utilizzando lo strumento Modifica il poligono secondo necessità.
6. Assegnazione dell'etichetta
   1. Ogni annotazione poligonale finita veniva etichettata usando due categorie standardizzate e coerenti con i casi: "Dissezione aortica" per la dissezione aortica e "Sana" per le immagini aortiche normali.
   2. Assicurati che i nomi delle etichette siano usati in modo coerente in tutte le annotazioni e rimangano identici sia nell'ortografia che nel formato in tutto il dataset.
   3. Seleziona le etichette dalla lista a tendina o inserisci manualmente.
   4. Clicca su OK o premi Invio per confermare l'assegnazione dell'etichetta.
   5. Salva le annotazioni per generare file JSON.
      NOTA: L'annotazione manuale può variare tra gli operatori. Garantire criteri di annotazione coerenti e, se possibile, utilizzare la validazione di esperti.
7. Esportazione di annotazioni
   1. Abilita il salvataggio automatico per esportare le annotazioni in formato JSON.
   2. Assicurati che ogni file JSON corrisponda al suo CT slice originale.
   3. Verifica che ogni file di annotazione mantenga una corrispondenza uno a uno con il file immagine associato.
   4. Converti le annotazioni JSON in un formato compatibile con il framework di addestramento. Le annotazioni JSON di LabelMe venivano convertite in formato COCO tramite uno script Python personalizzato prima dell'addestramento. I file convertiti (output_coco_annotations_{split}.json, dove split = train, valido o test) venivano caricati in MMDetection 2.x usando CocoDataset con LoadAnnotations(with_bbox=True).
8. Controllo qualità dei dati
   1. Rimuovere voci invalide basate su criteri di qualità predefiniti, inclusi file immagine mancanti, annotazioni incomplete o coppie immagine–annotazione non corrispondenti.
   2. Generazione e denominazione dei file di annotazione COCO puliti per addestramento, validazione e test. Le annotazioni pulite venivano salvate come file JSON COCO specifici per split utilizzando la regola di denominazione fissa output_coco_annotations_{split}.json. In particolare, i tre file di output erano train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json e test/output_coco_annotations_test.json, con le immagini corrispondenti memorizzate in train/images/, valid/images/ e test/images/. Questi file venivano utilizzati direttamente dalla pipeline di addestramento MMDetection.
9. Organizzazione del dataset
   1. Organizza il dataset in directory di addestramento, validazione e test split. Il dataset era organizzato sotto la directory radice aortic_dissection_dataset/ e diviso in tre sottodirectory specifiche per divisione: train/, valid/ e test/. Ogni sottodirectory conteneva una cartella immagini/cartella con i file immagine appartenenti a quella divisione.
   2. Memorizza i file di annotazione COCO specifici per split all'interno di ogni directory split corrispondente invece che nella directory radice del dataset. Addestramento, validazione e annotazioni di test venivano salvate rispettivamente come train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json e test/output_coco_annotations_test.json. Questi file venivano caricati configurando percorsi di ann_file e img_prefix specifici per split durante l'impostazione del modello.
   3. Mantenere una struttura di directory coerente tra i dataset di addestramento, validazione e test per garantire compatibilità con il framework di addestramento.
10. Pipeline dati di addestramento
    1. Carica immagini e annotazioni di bounding-box.
    2. Ridimensiona le immagini a 512×512 mantenendo il rapporto d'aspetto.
    3. Applica un flip casuale con probabilità 0,5.
    4. Applica l'aumento dei dati usando impostazioni di parametri esplicite. Durante l'addestramento, le immagini in input venivano ridimensionate a 512 × 512 pixel (keep_ratio=Vero) seguite da aumenti: cambio casuale (flip_ratio=0,5), regolazione gamma (gamma_limit=90–110, p=0,4), regolazione luminosità/contrasto (brightness_limit=0,15, contrast_limit=0,15, p=0,4), trasformazione geometrica (shift_limit=0,03, scale_limit=0,08, rotate_limit=10°, p=0,4) e rumore gaussiano (var_limit=5,0–25,0, p=0.2). Le immagini di validazione e di prova sono state solo ridimensionate, normalizzate e imbottite senza aumenti.
    5. Applicare tutte le operazioni di aumento utilizzando impostazioni di parametri coerenti tra le esecuzioni di addestramento per garantire la riproducibilità.
    6. Normalizzare le immagini usando media [123,675, 116,28, 103,53] e deviazione standard [58,395, 57,12, 57,375].
    7. Immagini del pad a multipli di 32.
11. Pipeline di validazione e test
    1. Carica le immagini.
    2. Ridimensiona le immagini.
    3. Normalizza le immagini.
    4. Immagini del pad a multipli di 32.
12. Costruzione del quadro modello
    1. Costruisci un rivelatore di oggetti a due classi in MMDetection 2.x utilizzando una configurazione modificata HRNetV2p-W32 + Cascade R-CNN. Il rivelatore è stato implementato in MMDetection 2.x basato sulla configurazione ufficiale cascade_rcnn_hrnetv2p_w32_20e_coco.py e inizializzato con i corrispondenti pesi pre-addestrati COCO-cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Utilizzare HRNetV2p-W32 come dorsale e Cascade R-CNN come rivelatore, come definito nella configurazione descritta nello Step 1.12.1.
    3. Adattare la configurazione base di MMDetection per il compito a due classi. Il modello è stato modificato per il compito a due classi impostando num_classes = 2 con i nomi delle classi "Dissezione aortica" e "Sana", e aggiornando i percorsi dei dataset per addestramento, validazione e set di test. La configurazione finale riproducibile è stata salvata come AorticDissection_full_pipeline_config.py.
    4. Definisci le classi come Dissezione aortica e Sana.
13. Configurazione di addestramento
    1. Addestramento usando una GPU NVIDIA RTX 3080 Ti.
    2. Imposta l'ottimizzatore su discesa a gradiente stocastica.
    3. Imposta la velocità di apprendimento a 0,0001.
    4. Imposta lo slancio a 0,9.
    5. Imposta il decadimento del peso a 0,0001.
    6. Imposta il numero di epoche a 30.
    7. Imposta la dimensione del lotto a 1 per GPU.
    8. Applica un scheduler di tasso di apprendimento basato sull'annealing coseno epocale con impostazioni esplicite di riscaldamento. La velocità di apprendimento utilizzava uno scheduler di ricottura coseno basato sull'epoca (by_epoch=True) con riscaldamento lineare per le prime 500 iterazioni (warmup_ratio=1e-4). L'addestramento durava 30 epoche, con il tasso minimo di apprendimento controllato da min_lr_ratio=1e-2.
    9. Usa FocalLoss e SmoothL1Loss.
       NOTA: Il protocollo può essere messo in pausa dopo la costruzione e la divisione del dataset. Conserva tutti i dati elaborati in modo sicuro prima di procedere.

Figura 2. Annotazione manuale dell'AD sull'immagine NCCT. Immagine rappresentativa assiale NCCT che dimostra l'annotazione manuale dell'AD. La regione aortica e le caratteristiche patologiche, incluso il lembo intimo, sono delineate tramite un poligono (verde). Questa immagine annotata viene utilizzata per l'addestramento dei modelli. Clicca qui per visualizzare una versione più grande di questa figura.

2. Architettura dei modelli

1. Configurazione del modello
   1. Costruisci il rivelatore a due classi in MMDetection 2.x usando codice di configurazione eseguibile. Il rivelatore è stato costruito in MMDetection 2.x dalla configurazione ufficiale cascade_rcnn_hrnetv2p_w32_20e_coco.py tramite Config.fromfile(...), poi modificato per il compito a due classi (num_classes=2, nomi classi: "Dissezione aortica", "Sano") con percorsi di dataset personalizzati. Il modello veniva istanziato tramite build_detector(...) e init_detector(...), con la configurazione completa finale esportata come AorticDissection_full_pipeline_config.py.
   2. Inserire immagini NCCT assiali nel modello.
   3. Riquadre di delimitazione di output, etichette di classe e punteggi di confidenza (Figura 3).
   4. Utilizzare annotazioni di segmentazione basate su poligoni generate durante la preparazione del dataset per definire le regioni di interesse e convertire queste annotazioni in bounding box per l'addestramento del modello, la visualizzazione e l'output finale di rilevamento.
      NOTA: Il framework di rilevamento utilizza queste riquadre di delimitazione per generare output finali di classificazione e punteggi di fiducia.
2. Configurazione della spina dorsale
   1. Usa HRNetV2p-W32 come rete backbone.
   2. Rimuovi tutti i moduli plugin per garantire la stabilità dell'addestramento.
3. Architettura di rilevamento
   1. Usa Cascade R-CNN per il rilevamento.
4. Perdita e configurazione dell'ancora
   1. Configura le perdite di classificazione e regressione con impostazioni esplicite dei parametri. Nelle teste ROI, la perdita di classificazione era impostata su FocalLoss con use_sigmoid=Vero e loss_weight = 1,0. La perdita di regressione nel delimitatore del ROI è stata impostata su SmoothL1Loss con beta = 1,0 e loss_weight = 0,5. Nel RPN, la perdita di classificazione era impostata anche su FocalLoss con use_sigmoid=Vero e loss_weight = 1,0, mentre la perdita di regressione era impostata su L1Loss con loss_weight = 1,0.
   2. Definisci i rapporti d'aspetto personalizzati dell'ancoraggio. I rapporti d'aspetto dell'ancora RPN erano esplicitamente personalizzati a 0,5, 1,0, 2,0 e 3,0.
   3. Mantenere i valori predefiniti della scala dell'ancora dalla configurazione ufficiale di base MMDetection. Questo studio ha adottato i valori predefiniti della scala dell'ancora dal cascade_rcnn_hrnetv2p_w32_20e_coco.py ufficiale di configurazione MMDetection, senza ulteriori modifiche manuali.
5. Definizione di output
   1. Previsioni di output per due classi: Dissezione aortica e Sana.

Figura 3. Rilevamento dell'AD utilizzando il modello AI. Sinistra: inserisci immagine NCCT. Destra: Output del modello che mostra la rilevazione di AD, con la regione prevista evidenziata da una riquadro delimitato e il relativo punteggio di confidenza. Questa figura dimostra l'identificazione dell'AD nelle immagini NCCT e la visualizzazione dei risultati di rilevamento. Il punteggio di fiducia rappresenta la fiducia di previsione del modello per il rilevamento AD . Clicca qui per visualizzare una versione più grande di questa figura.

3. Addestramento al modello

1. Ambiente di addestramento
   1. Esegui l'addestramento sulla GPU NVIDIA RTX 3080 Ti.
   2. Usa Ubuntu 22.04.1 LTS.
   3. Usa PyTorch 2.0.1, MMCV 1.7.2 e MMDetection 2.28.2.
2. Inizializzazione del modello
   1. Inizializzare il modello utilizzando un specifico checkpoint HRNetV2p-W32 pre-addestrato COCO + Cascade R-CNN. Il rivelatore è stato inizializzato da un checkpoint pre-addestrato COCO specificato esplicitamente nella configurazione dell'esperimento come cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. Questo checkpoint è stato utilizzato come file di pesi di inizializzazione per l'apprendimento tramite trasferimento nel presente studio.
   2. Reinizia i livelli di classificazione per due classi.
3. Iperparametri
   1. Imposta l'ottimizzatore su discesa a gradiente stocastica.
   2. Imposta la velocità di apprendimento a 0,0001.
   3. Imposta lo slancio a 0,9.
   4. Imposta il decadimento del peso a 0,0001.
   5. Imposta il numero di epoche a 30.
   6. Imposta la dimensione del lotto a 1.
   7. Imposta il scheduler su coseno con riscaldamento.
4. Esecuzione dell'addestramento
   1. Carica immagini e annotazioni.
   2. Ridimensiona le immagini a 512×512.
   3. Applica le potenziamenti.
   4. Normalizza e ammassi le immagini.
   5. Effettuare l'addestramento del modello utilizzando lo script completo personalizzato MMDetection 2.x: python full_pipeline_mmdet2_aortic_dissection.py, che carica e adatta la configurazione ufficiale di base e avvia l'addestramento usando le funzioni build_detector(...) e train_detector...).
      NOTA: Lo script è stato eseguito all'interno dell'ambiente MMDetection 2.28.2 con tutte le dipendenze installate come specificato nella Tabella dei Materiali.
   6. Valuta le prestazioni su un set di validazione dopo ogni epoca.
   7. Mantieni condizioni di addestramento coerenti inclusi l'ordine dei dati, le impostazioni dei parametri e la configurazione hardware per la riproducibilità.
5. Selezione dei modelli
   1. Seleziona il modello con le migliori prestazioni basandosi sulla massima precisione media media (bbox_mAP) ottenuta sul set di validazione.
      NOTA: I criteri di selezione possono includere accuratezza, sensibilità, specificità o coefficiente di Dice a seconda degli obiettivi dello studio.
6. Valutazione finale
   1. Valuta il modello sul set di test indipendente usando COCOeval. La valutazione veniva eseguita tramite lo script full_pipeline_mmdet2_aortic_dissection.py con run_train=Falso e run_eval=Vero. Lo script caricava il checkpoint selezionato, generava previsioni sul set di test indipendente, le converteva in file di risultati in formato COCO e calcolava metriche bbox usando COCOeval.
      NOTA: La valutazione è stata condotta nello stesso ambiente MMDetection 2.28.2 per garantire la coerenza con la configurazione dell'addestramento.
   2. Riporta metriche come mAP, AP50, AP75 e AP per classe.
   3. Eseguire la valutazione utilizzando la stessa partizione del dataset e definizioni di metriche per garantire la coerenza tra gli esperimenti.

Results

Questa sezione presenta i risultati riproducibili e verificati nell'implementazione del modello di rilevamento oggetti a due classi per il rilevamento AD dalle immagini NCCT, strettamente allineati con la pipeline di addestramento validata e il framework di valutazione COCO (Figura 1). Tutte le metriche sono derivate dal set di test tenuto tramite COCOeval, senza dati fabbricati o indicatori non validati.

Prestazioni di ri...

Discussion

I clinici, in particolare i medici d'emergenza, possono sperimentare una diminuzione delle prestazioni diagnostiche quando i pazienti presentano sintomi atipici o quando un elevato volume di pazienti nei pronto soccorso impone vincoli di tempo. Al contrario, un modello di IA addestrato per identificare l'AD su NCCT può offrire prestazioni costanti e stabili anche in pazienti asintomatici, senza essere limitato dal tempo di lettura, migliorando così potenzialmente l'accuratezza e l'effici...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Architettura Cascade R-CNN	OpenMMLab (MMDetection)	configurazioni/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Architettura di rilevamento utilizzata nel framework
Immagini di tomografia computerizzata toracica (senza contrasto)	Dataset clinico autocostruito	Insieme di immagini assiali NCCT	Dati di imaging clinico utilizzati per lo sviluppo del modello
File di annotazione in formato COCO	Generato durante il protocollo	JSON (formato COCO)	File di annotazione convertiti usati per l'addestramento dei modelli
Pesi pre-addestrati COCO	OpenMMLab MMDetection modello zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Utilizzato per l'inizializzazione del modello
Architettura HRNetV2p-W32	OpenMMLab (MMDetection)	Spina dorsale HRNetV2p-W32 (implementata in MMDetection 2.28.2)	Modello di spina dorsale utilizzato
ITK-SNAP	Team di sviluppo ITK-SNAP	3.8.0	Utilizzato per la conversione di formato immagine e l'esportazione a slice
File di annotazione JSON	Output LabelMe	Formato JSON standard	Contenere coordinate di annotazione e etichette
LabelMe	MIT CSAIL	4.8.3	Utilizzato per l'annotazione manuale delle immagini
MMDetection	OpenMMLab	2.28.2	Framework di rilevamento degli oggetti utilizzato per l'implementazione
MMCV	OpenMMLab	1.7.2	Libreria core che supporta MMDetection
NumPy	Sviluppatori NumPy	1.26.4	Libreria di calcolo numerico
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Hardware utilizzato per l'addestramento
OpenCV	OpenCV	4.9.0	Elaborazione e visualizzazione delle immagini
pycocotools	PyPI / COCO API	2.0.6	Libreria di valutazione in formato COC
Python	Python Software Foundation	3.10.20	Ambiente di programmazione
PyTorch	PyTorch	2.0.1+cu118	Framework per il deep learning
TorchVision	PyTorch	0.15.2+cu118	Utility di visione
Sistema operativo Ubuntu	Canonico	22.04.1 LTS	Ambiente di addestramento OS