인간 환자의 비조영 컴퓨터 단층촬영 영상을 이용한 대동맥 박리 탐지를 위한 인공지능 모델 학습

Summary

이 프로토콜은 비조영 컴퓨터 단층촬영 영상을 이용해 대동맥 박리를 감지하는 인공지능 모델을 학습시키는 것을 설명하며, 임상 환경에서 신속하고 접근 가능한 선별검사를 가능하게 합니다.

Abstract

대동맥 박리(AD)는 혈관 재형성 항상성 장애의 극단적인 결과로, 임상 실무에서 신속하고 정확한 진단이 필요합니다. 이 프로토콜은 비조영 컴퓨터 단층촬영(CT)을 이용한 ADHD 식별을 위한 인공지능 기반 학습 모델을 설명합니다. A 등급 3차 병원에서 AD 환자와 비AD 환자로부터 흉부 CT 및 대동맥 CT 혈관조영술 데이터셋을 수집하였습니다. 각 축 이미지의 혈관 구조는 오픈소스 소프트웨어 LabelMe를 사용해 수동으로 분할 및 주석을 달아 모델 개발 및 평가를 위한 분할 데이터셋을 구축했습니다. 데이터셋은 8:1:1 비율로 학습, 테스트, 검증 세트로 분할되어 모델 학습과 검증을 수행했습니다. 강력한 탐지 성능을 갖춘 모델이 개발된 후, 결과를 시각화하고 효과적으로 제시할 수 있는 온라인 처리 플랫폼이 구축되었습니다. 이 접근법은 AD의 신속하고 예비 선별을 위한 강력하고 지능적인 도구를 제공하며, 다양한 임상 환경에서 조기 발견이 가능하다는 미충족 임상적 요구를 해결합니다.

Introduction

대동맥 박리(AD)는 내막 내막의 균열을 통해 혈액이 대동맥벽 내측층으로 들어와 박리성 확장 가짜 내강¹을 형성하는 생명을 위협하는 급성 질환입니다. 적시한 진단과 치료가 이루어지지 않으면 사망률이 매우 높아지며, 24시간 이내(병원에 도착하기 전 사망 포함)의 사망률은 93%에 달했습니다^2. 조영제증강 CT 혈관조영술(CTA)은 진루와 거짓 루멘, 파열 위치, 침범 정도를 명확히 시각화할 수 있어 ADS 진단의 금본위^입니다. 하지만 CTA는 요오드 함유 조영제의 주사를 요구하며, 이는 알레르기 반응과 신독성 위험을 수반합니다 ^4,5. 또한, 많은 1차 병원이나 응급 상황에서 24시간 신속 가동 제공이 어렵습니다. 반면, 비조영제 CT(NCCT) 스캔은 조영제가 필요 없어, 비교적 낮은 방사선양과 더 넓은 적용 범위로 편리하고 빠른 검사를 제공합니다. 그럼에도 불구하고 NCCT 영상에서는 진루멘과 거짓 루멘, 그리고 내막 피판과 혈액 간의 대비가 낮아 의사의 시각 진단에 큰 어려움을 주며, 특히 경험이....

Protocol

본 연구의 모든 인간 관련 데이터 수집은 헬싱키 선언의 윤리 기준에 따라 수행되었으며, 지림대학교 중일연합병원 윤리위원회(승인번호: 2019103004)의 승인을 받았습니다. 관련 정보를 수집하기 전에 모든 참가자 또는 그 법적 보호자로부터 서면으로 동의를 받았습니다. 피험자들의 모든 개인정보는 개인정보 보호를 위해 엄격히 비밀로 유지되었으며, 데이터 수집 과정에서 실험 수술은 수행되지 않았습니다.

1. 데이터셋 구성

1. 데이터 수집 및 데이터셋 분할
   1. 2022년 3월 1일부터 2025년 3월 1일까지 지림대학교 중국-일본 연합병원에 입원한 300명의 환자로부터 임상 비조영제 흉부 CT 영상을 수집하며, 여기에는 CTA가 확인한 AD 환자 150명과 AD 없는 환자 150명이 포함됩니다. A형과 B형을 포함하세요. 모든 원시 영상 데이터는 기관 내 제한이며 환자 프라이버시와 윤리적 제한으로 인해 공개되지 않습니다.
   2. 데이터셋을 환자 수준에서 8:1:1 비율로 훈련, 검증, 테스트 세트로 나누어 나누세요. 한 환자의 모든 슬라이스가 한 세트 내에 머물도록 하여 데이터 유출을 방지하세요.

Results

이 섹션은 검증된 훈련 파이프라인과 COCO 평가 프레임워크(그림 1)에 엄격히 부합하여 NCCT 이미지에서 AD 감지를 위한 2클래스 객체 검출 모델의 재현 가능하고 구현 검증된 결과를 제시합니다(그림 1). 모든 지표는 COCOeval을 사용해 보유된 테스트 세트에서 도출되었으며, 조작된 데이터나 검증되지 않은 지표는 없습니다.

정량적 검출 성능

모델은 표준 COCO 경계 상자 검출 지표를 사용하여 140장의 이미지(154개의 주석)로 구성된 보유 테스트 세트에서 평가되었습니다. 최적 체크포인트는 30번째 에포흐의 검증 세트에서 bbox_mAP = 0.6339로 선택되었습니다. 해당 공식 테스트 세트 평가 결과는 다음과 같습니다: 전체 bbox mAP = 0.337, bbox AP50.......

Discussion

임상의, 특히 응급 의사는 환자가 비정형 증상을 보이거나 응급실 환자 수가 많아 시간 제약이 있을 때 진단 수행 능력이 저하될 수 있습니다. 반면, NCCT에서 AD를 식별하도록 훈련된 AI 모델은 무증상 환자에서도 읽기 시간에 제한받지 않고 일관되고 안정적인 성능을 제공하여, AD 및 내부 혈종 진단의 정확도와 효율성을 향상시킬 수^{있습니다.}

데이터셋 구축 단계는 모델 성능에 매우 중요하며, 8:1:1 분할 비율은 충분한 훈련과 신뢰할 수 있는 평가를 균형 있게 제공합니다. HRNet+SENet 아키텍처는 다중 스케일 특징을 추출하는 데 핵심적입니다. HRNet은 미묘한 AD 표지판에 대한 고해상도 정보를 유지하며, SENet은 모델의 판별 채널에 대한 집중을 강화하여 NCCT 이미지¹⁰에서 낮은 대비라는 문제를 극복합니다.

<.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
캐스케이드 R-CNN 아키텍처	OpenMMLab (MMDetection)	configs/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	프레임워크에서 사용되는 탐지 아키텍처
흉부 컴퓨터 단층촬영 영상(비조영제)	자가 작성한 임상 데이터셋	NCCT 축방향 이미지 세트	모델 개발에 사용되는 임상 영상 데이터
COCO 형식 주석 파일	프로토콜 중 생성됨	JSON (COCO 형식)	모델 학습에 사용되는 변환된 주석 파일
COCO 사전 훈련 중량	OpenMMLab MMDetection 모델 동물원	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	모델 초기화에 사용됨
HRNetV2p-W32 아키텍처	OpenMMLab (MMDetection)	HRNetV2p-W32 백본 (MMDetection 2.28.2에서 구현됨)	사용된 백본 모델
잇-탙	ITK-SNAP 개발팀	3.8.0	이미지 포맷 변환 및 슬라이스 내보내기에 사용됩니다
JSON 주석 파일	라벨미 출력	표준 JSON 형식	주석 좌표와 라벨을 포함하세요
라벨미	MIT 체일(MIT CSAIL)	4.8.3	수동 이미지 주석 작성에 사용됨
MMDection	OpenMMLab	2.28.2	구현에 사용되는 객체 탐지 프레임워크
MMCV	OpenMMLab	1.7.2	MMDetection을 지원하는 핵심 라이브러리
넘버피	넘피 개발자들	1.26.4	수치 계산 라이브러리
NVIDIA RTX 3080 Ti GPU	엔비디아	RTX 3080 Ti	훈련에 사용되는 장비
오픈CV	오픈CV	4.9.0	이미지 처리 및 시각화
파이코코툴스	PyPI / COCO API	그리고 nbsp; 2.0.6	COCO 형식 평가 라이브러리
파이썬	파이썬 소프트웨어 재단	3.10.20	프로그래밍 환경
파이토치	파이토치	2.0.1+cu118	딥러닝 프레임워크
토치비전	파이토치	0.15.2+cu118	비전 유틸리티
우분투 운영 체제	정경	22.04.1 LTS	교육 환경 OS