Oggettivazione della diagnosi della lingua nella medicina tradizionale, analisi dei dati e applicazione dello studio
14 aprile 2023
Il presente studio ha utilizzato U-Net e altri algoritmi di deep learning per segmentare un'immagine della lingua e ha confrontato i risultati della segmentazione per studiare l'oggettivazione della diagnosi della lingua.
Questo protocollo utilizza un algoritmo di deep learning per segmentare le immagini della lingua e separa automaticamente la lingua dall'intera immagine, che può essere utilizzata per ulteriori ricerche. Questo protocollo confronta le prestazioni dell'algoritmo di segmentazione dell'immagine a quattro lingue per selezionare l'algoritmo di base in grado di segmentare una lingua con un contatore chiaro. In questo studio vengono utilizzati strumenti e algoritmi brevettati.
Si consiglia di utilizzare strumenti professionali e padroneggiare la tecnologia informatica. Per iniziare, preparare lo strumento diagnostico facciale linguale portatile sviluppato autonomamente per raccogliere immagini facciali linguali dei pazienti. Inserisci il nome, il sesso, l'età e la malattia del paziente nella pagina del computer.
Quindi, chiedere al paziente di sedersi in posizione verticale e posizionare il dispositivo di acquisizione delle immagini collegato al computer. Quindi, posizionare il viso del paziente nello strumento di acquisizione delle immagini e chiedergli di estendere la lingua fuori dalla bocca nella massima misura. Verificare attraverso le immagini sullo schermo del computer che il paziente sia nella posizione corretta e che la lingua e il viso siano completamente esposti.
Premere tre volte il pulsante di scatto sullo schermo del computer per acquisire tre immagini. Quindi, selezionare manualmente le immagini raccolte del viso e della lingua. Filtrarli in base alla pagina Acquisizione immagini del software.
Raccogli tre immagini da ciascun paziente alla volta ed esporta le immagini in una cartella per lo screening manuale. Quindi, selezionare un'immagine standard, completamente esposta, ben illuminata e chiara, l'esempio per l'addestramento e il test dell'algoritmo. Eliminare le immagini che non soddisfano i criteri di un'immagine standard.
I criteri per l'esclusione sono l'esposizione incompleta della lingua e del viso e le immagini troppo scure. Per eseguire la segmentazione dell'immagine della lingua, apri LabelMe e fai clic sul pulsante Apri nell'angolo in alto a sinistra dell'interfaccia. Seleziona la cartella contenente l'immagine da segmentare e apri le foto.
Fare clic sul pulsante Crea poligono per tenere traccia dei punti. Tieni traccia della lingua e delle forme linguali, nominale in base alle aree selezionate e salva. Al termine di tutto il rilevamento, fare clic su Salva per salvare l'immagine nella cartella dati.
Impostare il dispositivo per acquisire immagini con una dimensione di 1080x1920 pixel e assicurarsi che la dimensione dell'immagine riempita sia 1920x1920 pixel. Esaminare manualmente le immagini di ciascun paziente per selezionare e conservare una delle tre immagini scattate per fattori incontrollabili, come il battito delle palpebre e il blocco delle lenti. Per addestrare il modello, raccogliere dati da 200 individui o 600 immagini e conservare circa 200 immagini utilizzabili dopo lo screening.
Dividere casualmente tutte le immagini della lingua in base al numero dell'immagine, inserendo il 70% di esse nel Training Set e il 30% delle immagini nella cartella Test Set. Scarica e installa Anaconda Python e LabelMe dai loro siti Web ufficiali. Attivare l'ambiente e completare l'installazione e la regolazione dell'ambiente generale.
Scegli il modello appropriato per lo scopo della ricerca. In questo studio, UNet, SegNet, DeepLab versione 3 e PSPNet sono stati selezionati per la convalida. Successivamente, compila il modello dell'algoritmo di deep learning nell'ambiente installato.
Regolare i parametri regolando i valori e completare l'addestramento del modello utilizzando il set di addestramento. Utilizzando l'annotazione LabelMe e i metodi di dimensione uniforme dell'immagine, costruisci il set di dati richiesto insieme al contenuto della ricerca. Esaminare i risultati della segmentazione e valutare le prestazioni del modello in base a quattro metriche, precisione, richiamo, accuratezza media dei pixel o MPA e MIOU, per ottenere una valutazione più completa.
Confrontare i valori generati dei quattro modelli. Maggiore è il valore, maggiore è la precisione della segmentazione e migliori sono le prestazioni del modello. Secondo i risultati dell'indice, l'algoritmo UNet è superiore agli altri algoritmi in MIOU, MPA, precisione e richiamo, e anche la sua accuratezza di segmentazione è superiore.
PSPNet è migliore di DeepLab Versione 3 in MIOU, MPA e richiamo, mentre il modello DeepLab Versione 3 è inferiore al modello di segmento in tutti gli indici. Nella segmentazione della lingua, l'area rossa esterna nell'immagine risulta dalla segmentazione della lingua e l'area verde interna deriva dalla segmentazione del rivestimento della lingua. In questo studio, l'algoritmo unitario ha funzionato bene nella segmentazione della lingua e ulteriori ricerche possono essere condotte sulla base degli algoritmi unitari.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo studio utilizza algoritmi di apprendimento profondo, in particolare U-Net, per segmentare efficacemente le immagini della lingua. I risultati della segmentazione vengono confrontati per valutare l'accuratezza della diagnosi della lingua.
Componenti Chiave dello Studio
Area della Scienza
- Neuroscienze
- Immagini mediche
- Apprendimento profondo
Sfondo
- La diagnosi tramite lingua è un metodo tradizionale della medicina cinese.
- Il deep learning ha mostrato potenzialità nei compiti di segmentazione delle immagini.
- Una segmentazione accurata può migliorare le capacità diagnostiche.
- I metodi precedenti potrebbero mancare di precisione nell'analisi delle immagini della lingua.
Scopo dello studio
- Segmentare immagini della lingua utilizzando tecniche avanzate di deep learning.
- Confrontare le prestazioni di diversi algoritmi di segmentazione.
- Identificare l'algoritmo più efficace per l'analisi delle immagini della lingua.
Metodi Utilizzati
- Utilizzo di U-Net e di altri modelli di apprendimento profondo.
- Raccolta di immagini della lingua mediante uno strumento diagnostico portatile.
- Confronto dei risultati di segmentazione ottenuti con diversi algoritmi.
- Valutazione della chiarezza e dell'accuratezza della segmentazione.
Risultati principali
- U-Net ha dimostrato prestazioni superiori nella segmentazione delle immagini della lingua.
- Sono stati ottenuti risultati di segmentazione più chiari rispetto ai metodi tradizionali.
- Le prestazioni dell'algoritmo hanno mostrato variazioni, evidenziando la necessità di una selezione accurata.
- I risultati sostengono l'uso del deep learning nella diagnostica medica.
Conclusioni
- Gli algoritmi di deep learning possono migliorare in modo significativo la segmentazione delle immagini della lingua.
- Si raccomanda l'utilizzo di U-Net per futuri studi sulla diagnosi tramite lingua.
- Sono necessarie ulteriori ricerche per affinare queste tecniche.
Domande frequenti
Rilevanza Industriale del Progetto
La segmentazione oggettivata dell'immagine della lingua mediante modelli di apprendimento profondo risponde alla necessità di immagini diagnostiche standardizzate e riproducibili nella ricerca traslazionale. La valutazione comparativa degli algoritmi di segmentazione, in particolare della rete U-Net, aumenta la fiducia predittiva nel fenotipaggio digitale e favorisce l'integrazione scalabile dei dati per la scoperta di biomarcatori. L'istituzione di flussi di lavoro robusti per l'analisi delle immagini è fondamentale per far progredire la patologia digitale e l'armonizzazione dei dati tra coorti nella ricerca e sviluppo biofarmaceutici.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Target
- Consente una valutazione quantitativa delle caratteristiche fenotipiche a partire da immagini standardizzate della lingua.
- Supporta la riduzione del rischio biologico fornendo output oggettivi e riproducibili della segmentazione delle immagini.
- Facilita l'esplorazione basata su ipotesi di biomarcatori digitali in sistemi rilevanti per le malattie.
Sviluppo di screening e saggi
- Prepara set di dati di immagini validati per l'analisi algoritmica successiva e l'addestramento di modelli.
- Migliora la riproducibilità dei saggi attraverso standard uniformi di acquisizione e segmentazione delle immagini.
- Consente una valutazione scalabile degli algoritmi di segmentazione per il riutilizzo della piattaforma e la preparazione allo screening.
Ricerca Translazionale e Preclinica
- Allinea gli output delle immagini digitali con le iniziative di sviluppo dei biomarcatori traslazionali.
- Supporta la continuità dal reperimento delle immagini alla validazione preclinica degli endpoint digitali.
- Riduce l'ambiguità nei risultati fenotipici, migliorando il valore predittivo per gli studi traslazionali.
Integrazione di Pipeline e Flusso di Lavoro
Questo protocollo di segmentazione si integra nel flusso di lavoro della patologia digitale, coprendo l'acquisizione delle immagini, l'annotazione, l'addestramento del modello e la valutazione quantitativa. Supporta il passaggio dalla fase iniziale di scoperta alla ricerca preclinica, consentendo la creazione di set di dati immagini standardizzati e di alta qualità.
- Biologia della scoperta: Fornisce una segmentazione delle immagini oggettiva e quantitativa per la verifica delle ipotesi e l'analisi dei percorsi biologici.
- Screening: Fornisce set di immagini riproducibili e validati per il benchmarking degli algoritmi e lo sviluppo di saggi.
- Analisi: Genera metriche di precisione, richiamo e MIoU per confrontare modelli di segmentazione e guidare la selezione.
- Ricerca traslazionale: Collega l'analisi digitale delle immagini all'allineamento dei biomarcatori e alla validazione degli endpoint preclinici.
- Riutilizzo aziendale: Stabilisce un flusso di lavoro scalabile e standardizzato per futuri studi di patologia digitale e basati sull'intelligenza artificiale.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva e riduce l'ambiguità meccanicistica nel fenotipaggio digitale.
- Valore operativo: Standardizza l'acquisizione, l'annotazione e la segmentazione delle immagini per garantire riproducibilità e scalabilità.
- Valore strategico: Permette decisioni solide di avanzamento o interruzione e un progresso capitalmente efficiente dei programmi di biomarcatori digitali.
- Impatto sul portafoglio: Supporta la priorizzazione aggiustata per il rischio e l'armonizzazione dei dati tra studi per la ricerca e sviluppo aziendale.
Considerazioni sull'implementazione
- Richiede competenze nel deep learning, nell'annotazione delle immagini e nell'infrastruttura computazionale.
- È vincolato all'accesso a strumenti validati per l'acquisizione delle immagini e a strumenti di annotazione.
- Necessita di una standardizzazione intersettore per quanto riguarda la qualità delle immagini e i criteri di segmentazione.
- Deve adattare i protocolli a diverse popolazioni di pazienti e ambienti di acquisizione delle immagini.
- Le limitazioni attuali includono la mancanza di standard uniformi e le difficoltà legate a sfondi complessi nelle immagini.
