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 적은 임상의들 사이에서 쉽게 놓치거나 오진할 수 있습니다. 따라서 NCCT 영상에서 직접 고정밀도, 고감도 자동으로 AD를 검출할 수 있는 기술 개발은 임상적 가치와 응용 가능성을 지니고 있습니다.

최근 딥러닝의 발전으로 조영제가 없는 의료 영상에서 병리학적 특징을 정확하게 식별할 수 있게 되었습니다 ^6,7. 고해상도 네트워크(HRNet)는 네트워크 전반에 걸쳐 고해상도 특징 맵을 유지하며, 압축-여기 네트워크(SENet)는 채널 간 의존성을 모델링하여 특징 표현을^{향상시킵니다.} HRNet과 SENet의 조합은 NCCT 이미지의 다중 스케일 표현을 위한 효과적인 특징 추출 전략을 제공하며, 이는 내밀 판막과 이중 루멘 징후와 같은 미묘한 AD 신호를 감지하는 데 필수적입니다. 여기서 이 특징 추출 개념은 MMDection과 캐스케이드 영역 기반 합성곱 신경망(R-CNN)을 이용한 객체 탐지 프레임워크 내에서 구현되어 대동맥 박리의 견고한 위치 파악과 분류를 가능하게 합니다.

본 연구에서는 HRNet+SENet을 기반으로 한 인공지능(AI) 모델을 사용하여 NCCT 이미지에서 AD를 식별하는 단계별 학습 과정을 사용합니다(그림 1). 이 연구는 데이터셋 표준화, 다중 규모 특징 추출, 임상 적응성을 강조합니다. 이 방법의 목표는 특히 조영제 증강 영상이 제한적이거나 불가능한 응급 및 1차 진료 환경에서 AD를 발견할 수 있는 신뢰할 수 있는 접근법을 제공하는 것입니다.

그림 1. 대동맥 박리(AD) 탐지를 위한 인공지능(AI) 모델의 워크플로우. 비조영 컴퓨터 단층촬영(NCCT) 이미지를 이용한 AD 탐지용 AI 모델 학습 파이프라인 개요. 워크플로우에는 데이터 준비(이미지 수집 및 주석, 형식 표준화 및 전처리, 데이터셋 분할), 모델 구축(Cascade R-CNN 탐지 프레임워크 내에 통합된 HRNetV2p-W32 백본, COCO 사전 학습 가중치로 초기화), 모델 훈련(SGD 최적화기, 코사인 어닐링 학습률, 교차엔트로피 손실), 모델 평가(정량적 지표 및 정성적 시각화), 임상 적용이 포함됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

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.
   3. AD/비AD 진단을 기반으로 계층화된 표본추출을 수행하여 모든 하위 집합에서 클래스 균형을 유지합니다.
   4. 데이터셋은 위에서 설명한 대로 환자 수준에서 미리 분할되어 환자 수준의 정보 유출을 방지했습니다. 학습 알고리즘에는 데이터 셔플, 온라인 증강, 모델 초기화 등 무작위 과정을 제어하기 위해 고정된 무작위 시드인 42가 채택되었습니다; 이 시드는 독립적이었으며 데이터셋 분할에 적용되지 않았습니다.
      주의: 환자 개인정보 보호와 기관 및 규제 지침을 준수하기 위해 처리 전 모든 환자 영상 데이터가 완전히 익명화되도록 하세요.
2. 데이터 제외
   1. 심한 모션 아티팩트가 있는 이미지는 제외하세요.
   2. 대동맥 전체를 덮지 못하는 스캔 범위가 부족한 이미지는 제외하세요.
   3. 하행 흉부 대동맥에서 CT 감쇠 값이 30 HU를 초과하는 표준 편차로 정의되는 과도한 영상 노이즈가 있는 영상은 제외합니다.
3. 이미지 변환
   1. ITK-SNAP 이미지 처리 소프트웨어를 사용하여 DICOM 이미지 데이터를 로드하고 축방향 이미지 슬라이스를 내보내세요.
   2. ITK-SNAP을 실행하고 파일 → 메인 이미지를 열기 버튼을 클릭하세요.
   3. 소스 DICOM 시리즈를 선택하고 열기를 클릭하세요.
   4. 슬라이더를 사용해 축 방향 단면을 탐색하세요.
   5. 각 슬라이스를 내보내려면 파일 → 이미지 슬라이스 내보내기→ 클릭하세요.
   6. PNG 형식을 선택하고 출력 디렉터리를 지정하세요.
   7. 각 슬라이스를 개별 파일로 저장하세요.
   8. 모든 내보내진 이미지 슬라이스는 고정된 형식인 IMG-[PatientID]-[SliceIndex].png에 따라 일관되게 명명되었으며, 고유 환자 식별자와 순차적 슬라이스 번호를 채택하여 추적성을 보장했습니다.
4. 이미지 주석 설정
   1. LabelMe 주석 소프트웨어로 각 축 이미지를 열어보세요.
   2. LabelMe를 실행하고 디렉토리 열기를 클릭하세요.
   3. AXIAL 이미지가 있는 폴더로 이동해서 모든 이미지를 불러오세요.
5. 수동 세분화
   1. LabelMe에서 '폴리곤 만들기' 도구를 선택하여 혈관 구조에 주석을 달아주세요(그림 2). 주석 작성 시 대동맥 내강, 내막 판, 그리고 눈에 띄는 박리 경계를 포함하세요. 라벨링 과정에서 내막 판막을 포함하는 전체 대동맥 구조가 하나의 통합 영역으로 윤곽을 형성했습니다. 주석 검사는 전체 가시적 대동맥 구간을 일관되게 포함했으며, 분리된 대동맥 구간과 박리 병변과 내막 열개 경계를 포함했으며, 진루 내강, 가짜 내강, 독립적인 혈관 하위 영역에 대한 별도의 분할이나 구분은 하지 않았습니다.
   2. 구조물을 따라 꼭짓점을 배치하여 선체 경계를 정의합니다.
   3. 다각형을 닫으려면 마지막 꼭짓점을 첫 번째 꼭짓점에 연결하세요.
   4. 필요에 따라 폴리곤 수정 도구를 사용해 주석을 수정하세요.
6. 라벨 할당
   1. 완성된 각 다각형 주석은 두 가지 표준화되고 대소문자 일치 범주로 라벨링되었습니다: 대동맥 박리용 "대동맥 박리"와 정상 대동맥 이미지용 "건강함"입니다.
   2. 라벨 이름이 모든 주석에서 일관되게 사용되고, 데이터셋 전체에서 철자와 형식이 동일하도록 하세요.
   3. 드롭다운 목록에서 라벨을 선택하거나 수동으로 입력하세요.
   4. 확인 버튼을 클릭하거나 엔터를 눌러 라벨 할당을 확인하세요.
   5. 주석을 저장해 JSON 파일을 생성하세요.
      참고: 수동 주석은 운영자마다 다를 수 있습니다. 일관된 주석 기준을 확보하고, 가능하다면 전문가의 검증을 포함하세요.
7. 주석 내보내기
   1. 주석을 JSON 형식으로 내보내려면 자동 저장을 활성화하세요.
   2. 각 JSON 파일이 원래 CT 슬라이스와 일치하는지 확인하세요.
   3. 각 주석 파일이 관련 이미지 파일과 1:1 대응 관계를 유지하는지 확인하세요.
   4. JSON 주석을 교육 프레임워크와 호환되는 형식으로 변환하세요. LabelMe JSON 주석은 교육 전에 맞춤형 Python 스크립트를 통해 COCO 형식으로 변환되었습니다. 변환된 파일들(output_coco_annotations_{split}.json, 여기서 split = train, valid, 또는 test)은 MMDetection 2.x에서 CocoDataset와 LoadAnnotations(with_bbox=True)를 사용해 로드되었습니다.
8. 데이터 품질 관리
   1. 이미지 파일이 누락되거나, 불완전한 주석, 이미지-주석 쌍이 일치하지 않는 등 미리 정의된 품질 기준에 따라 유효하지 않은 항목을 제거하세요.
   2. 학습, 검증, 테스트를 위한 정리된 COCO 주석 파일의 생성 및 명명. 정리된 주석은 고정된 명명 규칙output_coco_annotations_{split}.json에 따라 분할 전용 COCO JSON 파일로 저장되었습니다. 구체적으로 세 개의 출력 파일은 train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json, test/output_coco_annotations_test.json였으며, 해당 이미지는 train/images/, valid/images/, test/images/에 저장되었습니다. 이 파일들은 MMDetection 학습 파이프라인에서 직접 사용되었습니다.
9. 데이터셋 구성
   1. 데이터셋을 train, validation, test split 디렉터리로 정리하세요. 데이터셋은 루트 디렉터리 aortic_dissection_dataset/ 아래에 조직되어 train/, valid/, test/의 세 가지 분할 특정 하위 디렉터리로 나뉘었습니다. 각 하위 디렉터리에는 해당 분할에 속한 이미지 파일들이 담긴 이미지/폴더가 있었습니다.
   2. 데이터셋 루트 디렉터리가 아닌 각 분할 디렉터리 내에 분할 전용 COCO 주석 파일을 저장합니다. 훈련, 검증, 테스트 주석은 각각 train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json, test/output_coco_annotations_test.json로 저장되었습니다. 이 파일들은 모델 설정 시 분할 전용 ann_file 및 img_prefix 경로를 설정하여 로드되었습니다.
   3. 학습, 검증, 테스트 데이터셋 전반에 걸쳐 일관된 디렉터리 구조를 유지하여 학습 프레임워크와의 호환성을 보장합니다.
10. 학습 데이터 파이프라인
    1. 이미지와 경계 상자 주석을 불러오세요.
    2. 화면 비율을 유지하면서 이미지를 512×512로 크기 조정하세요.
    3. 확률 0.5의 무작위 뒤집기를 적용하세요.
    4. 명시적인 매개변수 설정을 사용하여 데이터 증강을 적용하세요. 훈련 중에 입력 이미지는 512 × 512 픽셀(keep_ratio=참)로 크기 조정된 후 증강 처리가 이루어졌습니다: 무작위 뒤집기(flip_ratio=0.5), 감마 조정(gamma_limit=90–110, p=0.4), 밝기/대비 조정(brightness_limit=0.15, contrast_limit=0.15, p=0.4), 기하학적 변환(shift_limit=0.03, scale_limit=0.08, rotate_limit=10°, p=0.4), 가우시안 잡음(var_limit=5.0–25.0, p=0.2). 검증 및 테스트 이미지는 증강 없이 크기 조정, 정규화, 패딩 처리만 이루어졌습니다.
    5. 훈련 실행 전반에 걸쳐 일관된 매개변수 설정을 사용하여 모든 증강 연산을 적용하여 재현성을 보장합니다.
    6. 이미지를 평균 [123.675, 116.28, 103.53]과 표준편차 [58.395, 57.12, 57.375]로 정규화합니다.
    7. 이미지를 32의 배수로 확장하세요.
11. 검증 및 테스트 파이프라인
    1. 이미지 불러오세요.
    2. 이미지 크기 조절.
    3. 이미지를 정규화하세요.
    4. 이미지를 32의 배수로 확장하세요.
12. 모델 프레임워크 구성
    1. MMDetection 2.x에서 수정된 HRNetV2p-W32 + Cascade R-CNN 구성을 사용하여 2클래스 객체 검출기를 구축합니다. 검출기는 공식 구성 cascade_rcnn_hrnetv2p_w32_20e_coco.py를 기반으로 MMDection 2.x에서 구현되었으며, 해당 COCO가 사전 학습된 가중치cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-로 초기화되었습니다
       928455a4.pth.
    2. HRNetV2p-W32를 백본으로, Cascade R-CNN을 검출기로 사용하라. 이는 Step 1.12.1에서 설명한 구성에 따른 것이다.
    3. 기본 MMDection 구성을 2클래스 과제에 맞게 조정합니다. 모델은 2클래스 작업에 맞게 num_classes = 2를 "Aortic Dissection" 및 "Healthy" 클래스명으로 설정하고, 훈련, 검증, 테스트 세트를 위한 데이터셋 경로를 업데이트하여 수정되었습니다. 최종 재현 가능한 구성은 AorticDissection_full_pipeline_config.py로 저장되었습니다.
    4. 대동맥 박리와 건강한 클래스로 정의하세요.
13. 훈련 구성
    1. NVIDIA RTX 3080 Ti GPU를 사용해 훈련하세요.
    2. 옵티마이저를 확률적 그라디언트 하강으로 설정하세요.
    3. 학습률을 0.0001로 설정하세요.
    4. 모멘텀을 0.9로 설정하세요.
    5. 무게 감쇠를 0.0001로 설정하세요.
    6. 에포크 수를 30으로 설정하세요.
    7. 배치 크기를 GPU당 1개로 설정하세요.
    8. 명시적인 워밍업 설정과 함께 에포크 기반 코사인 어닐링 학습율 스케줄러를 적용하세요. 학습 속도는 에포흐 기반 코사인 어닐링 스케줄러(by_epoch=참)를 사용했고, 첫 500회 반복(warmup_ratio=1e-4)은 선형 워밍업을 했습니다. 훈련은 30 에포크에 걸쳐 진행되었으며, 최소 학습 속도는 min_lr_ratio=1e-2로 제어되었습니다.
    9. FocalLoss와 SmoothL1Loss를 사용하세요.
       참고: 프로토콜은 데이터셋 생성 및 분할 후 일시정지할 수 있습니다. 진행하기 전에 처리된 모든 데이터를 안전하게 저장하세요.

그림 2. NCCT 이미지에 AD 수동 주석. AD 수동 주석을 보여주는 대표적인 축 방향 NCCT 이미지입니다. 대동맥 부위와 병리학적 특징, 내막판을 포함한 부분은 다각형(녹색)으로 윤곽을 표시합니다. 이 주석 이미지는 모델 학습에 사용됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

2. 모델 아키텍처

1. 모델 설정
   1. MMDetection 2.x에서 실행 가능한 구성 코드를 사용하여 2클래스 검출기를 구성합니다. 검출기는 MMDetection 2.x에서 공식 cascade_rcnn_hrnetv2p_w32_20e_coco.py 설정에서 Config.fromfile(...)을 통해 구축되었으며, 이후 두 클래스 작업(num_classes=2, 클래스명: "Aortic Dissection", "Healthy")에 맞게 수정되어 맞춤형 데이터셋 경로로 변경되었습니다. 모델은 build_detector(...)와 init_detector(...)로 인스턴스화되었고, 최종 전체 구성은 AorticDissection_full_pipeline_config.py로 내보내졌습니다.
   2. 축방향 NCCT 이미지를 모델에 입력합니다.
   3. 출력 경계 상자, 클래스 라벨, 신뢰도 점수(그림 3).
   4. 데이터셋 준비 중 생성된 폴리곤 기반 분할 주석을 사용해 관심 영역을 정의하고, 이 주석을 모델 학습, 시각화 및 최종 탐지 출력용 경계 박스로 변환합니다.
      참고: 탐지 프레임워크는 이러한 경계 상자를 활용하여 최종 분류 출력과 신뢰도 점수를 생성합니다.
2. 백본 구성
   1. HRNetV2p-W32를 백본 네트워크로 사용하세요.
   2. 학습 안정성을 위해 모든 플러그인 모듈을 제거하세요.
3. 탐지 아키텍처
   1. 검출에는 Cascade R-CNN을 사용하세요.
4. 손실 및 닻 구성
   1. 분류 및 회귀 손실을 명시적인 매개변수 설정으로 구성하세요. ROI 헤드에서는 분류 손실이 초점 손실(FocalLoss)으로 설정되었으며, use_sigmoid=참(True), loss_weight = 1.0이 설정되었습니다. ROI 경계 상자 회귀 손실은 베타 = 1.0, loss_weight = 0.5인 SmoothL1Loss로 설정되었습니다. RPN에서는 분류 손실도 FocalLoss로 설정되어 use_sigmoid=참이고 loss_weight = 1.0으로 설정되었고, 회귀 손실은 loss_weight = 1.0인 L1Loss로 설정되었습니다.
   2. 맞춤형 앵커 종횡비를 정의하세요. RPN 앵커 화면비는 0.5, 1.0, 2.0, 3.0으로 명시적으로 커스터마이즈되었습니다.
   3. 공식 MMDetection 기본 구성의 기본 앵커 스케일 값을 유지하세요. 이 연구는 추가 수동 수정 없이 공식 MMDetection 설정 파일 cascade_rcnn_hrnetv2p_w32_20e_coco.py에서 기본 앵커 스케일 값을 채택했습니다.
5. 출력 정의
   1. 대동맥 박리와 건강 두 가지 클래스에 대한 예측 결과.

그림 3. AI 모델을 이용한 AD 감지. 왼쪽: NCCT 이미지 입력. 오른쪽: AD 검출을 보여주는 모델 출력물, 예측 영역은 경계 상자와 관련 신뢰 점수로 강조되어 있습니다. 이 그림은 NCCT 이미지에서 AD의 식별과 검출 결과의 시각화를 보여줍니다. 신뢰 점수는 AD를 감지할 수 있는 모델의 예측 신뢰도를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하세요.

3. 모델 트레이닝

1. 교육 환경
   1. NVIDIA RTX 3080 Ti GPU에서 훈련을 수행하세요.
   2. Ubuntu 22.04.1 LTS를 사용하세요.
   3. PyTorch 2.0.1, MMCV 1.7.2, MMDetection 2.28.2를 사용하세요.
2. 모델 초기화
   1. 지정된 COCO 사전 학습 HRNetV2p-W32 + Cascade R-CNN 체크포인트를 사용하여 모델을 초기화합니다. 검출기는 실험 구성에서 명시적으로 지정된 COCO 사전 학습 체크포인트 cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth에서 초기화되었습니다. 이 체크포인트는 본 연구에서 전이 학습을 위한 초기화 가중치 파일로 사용되었습니다.
   2. 두 클래스의 분류 계층을 재초기화합니다.
3. 하이퍼파라미터
   1. 옵티마이저를 확률적 그라디언트 하강으로 설정하세요.
   2. 학습률을 0.0001로 설정하세요.
   3. 모멘텀을 0.9로 설정하세요.
   4. 무게 감쇠를 0.0001로 설정하세요.
   5. 에포크 수를 30으로 설정하세요.
   6. 배치 크기를 1로 설정하세요.
   7. 스케줄러를 워밍업과 함께 코사인 어닐링으로 설정하세요.
4. 훈련 실행
   1. 이미지와 주석을 로드하세요.
   2. 이미지 크기를 512×512로 재조정하세요.
   3. 증강 효과를 적용하세요.
   4. 이미지를 정규화하고 보완하세요.
   5. 맞춤형 MMDetection 2.x 풀 파이프라인 스크립트인 python full_pipeline_mmdet2_aortic_dissection.py을 사용하여 모델 학습을 수행하며, 공식 기본 구성을 로드하고 적응하며 build_detector(...) 및 train_detector(...) 함수를 사용해 학습을 시작합니다.
      참고: 스크립트는 MMDetection 2.28.2 환경 내에서 Table of Materials에 명시된 대로 모든 의존성이 설치된 상태로 실행되었습니다.
   6. 각 에포크 이후 설정된 검증 성능에 대해 평가하세요.
   7. 재현성을 위해 데이터 순서, 매개변수 설정, 하드웨어 구성 등 일관된 훈련 조건을 유지하세요.
5. 모델 선택
   1. 검증 세트에서 얻은 가장 높은 경계 박스 평균 정밀도(bbox_mAP)를 바탕으로 가장 성능이 좋은 모델을 선택합니다.
      참고: 선정 기준에는 연구 목표에 따라 정확도, 민감도, 특이도, 또는 다이스 계수가 포함될 수 있습니다.
6. 최종 평가
   1. 독립 테스트 세트에서 COCOeval을 사용하여 모델을 평가합니다. 평가는 스크립트 full_pipeline_mmdet2_aortic_dissection.py을 통해 run_train=False, run_eval=True로 수행되었습니다. 스크립트는 선택한 체크포인트를 불러오고, 독립 테스트 세트에서 예측값을 생성하며, 이를 COCO 형식의 결과 파일로 변환하고, COCOeval을 사용해 bbox 메트릭을 계산했습니다.
      참고: 평가는 훈련 설정과의 일관성을 보장하기 위해 동일한 MMDection 2.28.2 환경 내에서 수행되었습니다.
   2. mAP, AP50, AP75, 클래스별 AP 등 지표를 보고하세요.
   3. 동일한 데이터셋 분할과 지표 정의를 사용하여 실험 간 일관성을 보장하여 평가를 수행하세요.

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