Het trainen van een kunstmatig intelligentiemodel voor aortadissectiedetectie met behulp van contrastloze computertomografiebeelden van menselijke patiënten

Summary

Dit protocol beschrijft het trainen van een kunstmatige intelligentiemodel om aortadissectie te detecteren met behulp van niet-contrasterende computertomografiebeelden, waardoor snelle en toegankelijke screening in klinische omgevingen mogelijk is.

Abstract

Aortadissectie (AD) is een ernstig gevolg van een verstoorde vasculaire remodelinghomeostase en vereist snelle, nauwkeurige identificatie in de klinische praktijk. Dit protocol beschrijft een op kunstmatige intelligentie gebaseerd leermodel voor AD-identificatie met behulp van niet-contrast computertomografie (CT). Borst-CT- en aorta-CT-angiografiegegevens zijn verzameld van AD- en niet-AD-patiënten in een tertiair ziekenhuis van klasse A. Vaatstructuren op elk axiale beeld werden handmatig gesegmenteerd en geannoteerd met de open-source software LabelMe om een segmentatiedataset op te zetten voor modelontwikkeling en evaluatie. De dataset werd opgedeeld in trainings-, test- en validatiesets in een verhouding van 8:1:1 voor modeltraining en validatie. Na de ontwikkeling van een model met robuuste detectieprestaties werd een online verwerkingsplatform gebouwd om de resultaten effectief te visualiseren en te presenteren. Deze aanpak biedt een krachtig, intelligent hulpmiddel voor snelle, voorlopige screening van AD en pakt de onvervulde klinische behoefte aan toegankelijke vroege detectie in diverse klinische omgevingen in.

Introduction

Aortadissectie (AD) is een levensbedreigende acute aandoening die wordt gekenmerkt door bloed dat via een scheur in het intimuslijmvlies de mediale laag van de aortawand binnendringt, waardoor een dissectie en uitzettende valse lumen¹ ontstaat. Zonder tijdige diagnose en behandeling is het sterftecijfer extreem hoog; het sterftecijfer binnen 24 uur (inclusief overlijden vóór het bereiken van het ziekenhuis) was 93^%. Contrastversterkte computertomografie angiografie (CTA) is de gouden standaard voor het diagnosticeren van AD, omdat het duidelijk de ware en valse lumen, de locatie van de scheur en de mate van betrokkenheid kan visualiseren^. CTA vereist echter de injectie van jodiumhoudende contrastmiddelen, die risico's op allergische reacties en nefrotoxiciteit^met zich meebrengen ^4,5. Daarnaast is het bereiken van 24-uurs snelle beschikbaarheid in veel eerstelijnsziekenhuizen of spoedeisende hulpplaatsen moeilijk. Daarentegen vereist niet-contrast CT (NCCT) scanning geen contrastmiddelen, wat een handig, snel onderzoek biedt met een relatief lage stralingsdosis en bredere toepassing. Desalniettemin is het contrast tussen de ware en valse lumen, evenals tussen de intimale flap en het bloed, in NCCT-beelden laag, wat aanzienlijke uitdagingen vormt voor de visuele diagnose van artsen en gemakkelijk leidt tot gemiste of verkeerde diagnoses, vooral bij minder ervaren clinici. Daarom biedt de ontwikkeling van een techniek die in staat is om een hoogprecisie, hooggevoelige automatische detectie van AD direct uit NCCT-beelden te bereiken, belangrijke klinische waarde en toepassingsmogelijkheden.

Recente vooruitgang in deep learning heeft het mogelijk gemaakt pathologische kenmerken nauwkeurig te identificeren uit medische beelden^{zonder contrast 6,7}. Een hoogresolutienetwerk (HRNet) onderhoudt hoogresolutie featuremaps door het hele netwerk, terwijl squeeze-and-excitation network (SENet) de feature-representatie verbetert door interkanaalafhankelijkheden⁸ te modelleren. De combinatie van HRNet en SENet biedt een effectieve feature-extractiestrategie voor multiscale weergave van NCCT-beelden, wat cruciaal is voor het detecteren van subtiele AD-signalen, zoals intieme flaps en double-lumen-tekens. Hierin is dit concept van feature-extractie geïmplementeerd binnen een objectdetectiekader met behulp van MMDetection en Cascade Region-based Convolutional Neural Network (R-CNN), waardoor robuuste lokalisatie en classificatie van aortadissectie mogelijk is.

In deze studie gebruikt het kunstmatige intelligentie (AI)-model gebaseerd op HRNet+SENet een stapsgewijs trainingsproces om AD te identificeren uit NCCT-beelden (Figuur 1). Het legt de nadruk op standaardisatie van datasets, multiscale feature-extractie en klinische aanpassingsvermogen. Het doel van deze methode is een betrouwbare aanpak te bieden voor AD-detectie, vooral in spoed- en eerstelijnszorgomgevingen waar contrastversterkte beeldvorming beperkt of niet beschikbaar is.

Figuur 1. Workflow van het kunstmatige intelligentie (AI) model voor aortadissectie (AD) detectie. Schema van de AI-modeltrainingspijplijn voor AD-detectie met behulp van niet-contrast computed tomography (NCCT) beelden. De workflow omvat datavoorbereiding (beeldverzameling en annotatie, formatstandaardisatie en preprocessing, en datasetsplitsing), modelconstructie (HRNetV2p-W32 backbone geïntegreerd binnen een Cascade R-CNN detectiekader en geïnitialieerd met COCO vooraf getrainde gewichten), modeltraining (SGD-optimizer, cosinus-annealing leersnelheid en cross-entropieverlies), modelevaluatie (kwantitatieve metrieken en kwalitatieve visualisatie) en klinische toepassing. Klik hier om een grotere versie van deze figuur te bekijken.

Protocol

Alle gegevensverzameling met betrekking tot mensen in deze studie werd uitgevoerd in overeenstemming met de ethische normen van de Verklaring van Helsinki en goedgekeurd door de Ethische Commissie van het China-Japan Union Hospital van de Universiteit van Jilin (goedkeuringsnummer: 2019103004). Geïnformeerde toestemming werd schriftelijk verkregen van alle individuele deelnemers of hun wettelijke voogden voorafgaand aan het verzamelen van hun relevante informatie. Alle persoonlijke informatie van de proefpersonen werd strikt vertrouwelijk behandeld om hun privacy te beschermen, en er werden tijdens het gegevensverzamelingsproces geen experimentele operaties uitgevoerd op de proefpersonen.

1. Datasetconstructie

1. Dataverzameling en dataset-partitionering
   1. Verzamel klinische CT-beelden van de borst zonder contrast van 300 patiënten die tussen 1 maart 2022 en 1 maart 2025 zijn opgenomen in het China-Japan Union Hospital van de Universiteit van Jilin, waaronder 150 patiënten met AD en 150 patiënten zonder AD, geverifieerd door CTA. Neem type A en type B AD's op. Alle ruwe beeldgegevens zijn institutioneel beperkt en niet openbaar beschikbaar vanwege de privacy van patiënten en ethische beperkingen.
   2. Verdeel de dataset in trainings-, validatie- en testsets in een verhouding van 8:1:1 op patiëntniveau. Zorg ervoor dat alle slices van één patiënt binnen één set blijven om datalekken te voorkomen.
   3. Voer gestratificeerde steekproeven uit op basis van AD/niet-AD-diagnose om de klassenbalans over alle subsets te behouden.
   4. De dataset werd vooraf gesplitst op patiëntniveau zoals hierboven beschreven om informatielekkage op patiëntniveau te voorkomen. Een vaste willekeurige seed van 42 werd gebruikt voor het trainingsalgoritme om willekeurige processen te beheersen, waaronder dataschudding, online augmentatie en modelinitialisatie tijdens training; Deze seed was onafhankelijk en werd niet toegepast op dataset-partitionering.
      VOORZICHTIG: Zorg ervoor dat alle beeldvormingsgegevens van patiënten volledig worden geanonimiseerd vóór verwerking om de privacy van patiënten te beschermen en te voldoen aan institutionele en regelgevende richtlijnen.
2. Data-uitsluiting
   1. Sluit afbeeldingen met ernstige bewegingsartefacten uit.
   2. Sluit beelden uit met onvoldoende scanbereik dat niet de gehele aorta dekt.
   3. Sluit beelden met overmatige beeldruis uit, gedefinieerd als een standaardafwijking van CT-dempingswaarden die meer dan 30 HU in de dalende thoracale aorta overschrijden.
3. Beeldconversie
   1. Laad DICOM-beeldgegevens en exporteer axiale afbeeldingssegmenten met ITK-SNAP beeldverwerkingssoftware.
   2. Start ITK-SNAP en klik op Bestand → Hoofdafbeelding openen.
   3. Selecteer de bron-DICOM-serie en klik op Openen.
   4. Navigeer door axiale sneden met de slice-schuifregelaar.
   5. Exporteer elk stuk door te klikken op Bestand → Exporteren → Afbeeldingssnee.
   6. Selecteer het PNG-formaat en geef de uitvoermap op.
   7. Sla elke slice op als een afzonderlijk bestand.
   8. Alle geëxporteerde afbeeldingssegmenten kregen uniforme namen volgens het vaste formaat IMG-[PatientID]-[SliceIndex].png, waarbij unieke patiëntidentificaties en sequentiële slice-nummering werden toegepast om traceerbaarheid te garanderen.
4. Beeldannotatie-opstelling
   1. Open elke axiale afbeelding met de LabelMe-annotatiesoftware.
   2. Start LabelMe en klik op Open Directory.
   3. Ga naar de map met axiale afbeeldingen en laad alle afbeeldingen.
5. Handmatige segmentatie
   1. Selecteer het Tool Create Polygon in LabelMe om vasculaire structuren te annoteren (Figuur 2). Voeg de aorta-lumen, de intimale flap en de zichtbare dissectiegrenzen op tijdens de annotatie. Tijdens het labelen werd de gehele aortastructuur met de intimale flap gevormd als één geïntegreerd gebied. De annotatiescope bedekte uniform het volledige zichtbare aortasegment met dissectielaesies en intimale scheurgrenzen, zonder aparte segmentatie of onderscheid tussen de ware lumen, false lumen of onafhankelijke vasculaire subregio's.
   2. Definieer vatgrenzen door hoekpunten langs de structuur te plaatsen.
   3. Sluit het veelhoek door het laatste hoekpunt met het eerste hoekpunt te verbinden.
   4. Wijzig annotaties met de Tool Polygon wijzigen indien nodig.
6. Labeltoewijzing
   1. Elke voltooide polygonannotatie werd gelabeld met twee gestandaardiseerde en case-consistente categorieën: "Aortadissectie" voor aortadissectie en "Gezond" voor normale aortabeelden.
   2. Zorg ervoor dat labelnamen consistent worden gebruikt in alle annotaties en identiek blijven in spelling en formaat in de hele dataset.
   3. Selecteer labels uit de dropdownlijst of voer handmatig in.
   4. Klik op OK of druk op Enter om de labeltoewijzing te bevestigen.
   5. Sla annotaties op om JSON-bestanden te genereren.
      OPMERKING: Handmatige annotatie kan per operator verschillen. Zorg voor consistente annotatiecriteria en, indien mogelijk, zorg voor deskundige validatie.
7. Annotatie-export
   1. Schakel Auto Save in om annotaties in JSON-formaat te exporteren.
   2. Zorg ervoor dat elk JSON-bestand overeenkomt met de originele CT-slice.
   3. Controleer of elk annotatiebestand een één-op-één overeenkomst onderhoudt met het bijbehorende afbeeldingsbestand.
   4. Converteer JSON-annotaties naar een formaat dat compatibel is met het trainingsframework. LabelMe JSON-annotaties werden vóór de training omgezet naar COCO-formaat via een aangepaste Python-script. De geconverteerde bestanden (output_coco_annotations_{split}.json, waarbij split = trainen, geldig of testen) werden geladen in MMDetection 2.x met CocoDataset met LoadAnnotations(with_bbox=True).
8. Kwaliteitscontrole van gegevens
   1. Verwijder ongeldige vermeldingen op basis van vooraf gedefinieerde kwaliteitscriteria, waaronder ontbrekende afbeeldingsbestanden, onvolledige annotaties of mismatched image–annotatieparen.
   2. Generatie en benaming van schoongemaakte COCO-annotatiebestanden voor training, validatie en testen. De opgeschonen annotaties werden opgeslagen als split-specifieke COCO JSON-bestanden met behulp van de vaste naamgevingsregel output_coco_annotations_{split}.json. Specifiek waren de drie uitvoerbestanden train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json en test/output_coco_annotations_test.json, met de bijbehorende afbeeldingen opgeslagen in train/images/, valid/images/ en test/images/. Deze bestanden werden direct gebruikt door de MMDetection-trainingspijplijn.
9. Datasetorganisatie
   1. Organiseer de dataset in train-, validatie- en testsplitdirectories. De dataset was georganiseerd onder de rootdirectory aortic_dissection_dataset/ en verdeeld in drie split-specifieke subdirectories: train/, valid/, en test/. Elke submap bevatte een images/map met de afbeeldingsbestanden die bij die splitsing hoorden.
   2. Sla split-specifieke COCO-annotatiebestanden op binnen elke bijbehorende split-map in plaats van in de hoofdmap van de dataset. Training, validatie en testannotaties werden respectievelijk opgeslagen als train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json en test/output_coco_annotations_test.json. Deze bestanden werden geladen door split-specifieke ann_file en img_prefix paden te configureren tijdens het model.
   3. Onderhoud een consistente directorystructuur over trainings-, validatie- en testdatasets om compatibiliteit met het trainingskader te waarborgen.
10. Trainingsdatapijplijn
    1. Laad afbeeldingen en begrenzingsbox-annotaties.
    2. Verander de grootte van beelden naar 512×512 terwijl je de beeldverhouding behoudt.
    3. Pas willekeurige flip toe met kans 0,5.
    4. Pas data-augmentatie toe met expliciete parameterinstellingen. Tijdens de training werden de invoerbeelden vergroot tot 512 × 512 pixels (keep_ratio=Waar), gevolgd door augmentatie: willekeurige flipping (flip_ratio=0,5), gamma-aanpassing (gamma_limit=90–110, p=0,4), helderheid/contrastaanpassing (brightness_limit=0,15, contrast_limit=0,15, p=0,4), geometrische transformatie (shift_limit=0,03, scale_limit=0,08, rotate_limit=10°, p=0,4) en Gaussiaanse ruis (var_limit=5,0–25,0, p=0,2). Validatie- en testbeelden werden alleen verkleind, genormaliseerd en opgevuld zonder augmentatie.
    5. Pas alle augmentatiebewerkingen toe met consistente parameterinstellingen over trainingsruns om reproduceerbaarheid te waarborgen.
    6. Normaliseer afbeeldingen met gemiddelde [123.675, 116.28, 103.53] en standaarddeviatie [58.395, 57.12, 57.375].
    7. Zet beelden op naar veelvouden van 32.
11. Validatie- en testpijplijn
    1. Laad afbeeldingen.
    2. Verander de grootte van afbeeldingen.
    3. Normaliseer beelden.
    4. Zet beelden op naar veelvouden van 32.
12. Modelraamconstructie
    1. Bouw een tweeklassige objectdetector in MMDetection 2.x met een aangepaste HRNetV2p-W32 + Cascade R-CNN configuratie. De detector werd geïmplementeerd in MMDetection 2.x op basis van de officiële configuratie cascade_rcnn_hrnetv2p_w32_20e_coco.py en geïnitialiseerd met bijbehorende COCO-voorgetrainde gewichten cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Gebruik HRNetV2p-W32 als ruggengraat en Cascade R-CNN als detector zoals gedefinieerd in de configuratie beschreven in Stap 1.12.1.
    3. Pas de basis MMDetection-configuratie aan voor de taak met twee klassen. Het model werd aangepast voor de taak met twee klassen door num_classes = 2 in te stellen met klassenamen "Aortadissectie" en "Gezond", en datasetpaden voor training, validatie en testsets bij te werken. De uiteindelijke reproduceerbare configuratie werd als AorticDissection_full_pipeline_config.py opgeslagen.
    4. Definieer klassen als Aortadissectie en Gezond.
13. Trainingsconfiguratie
    1. Train met NVIDIA RTX 3080 Ti GPU.
    2. Stel optimizer in op stochastische gradiëntafdaling.
    3. Stel de leersnelheid in op 0,0001.
    4. Zet het momentum op 0,9.
    5. Stel gewichtsafname in op 0,0001.
    6. Stel het aantal epochs in op 30.
    7. Stel de batchgrootte in op 1 per GPU.
    8. Pas een op een epoch-gebaseerde cosinus-annealing leersnelheidsplanner toe met expliciete warming-up instellingen. De leersnelheid gebruikte een epoch-gebaseerde cosinus-annealing scheduler (by_epoch=Waar) met lineaire warmup voor de eerste 500 iteraties (warmup_ratio=1e-4). De training liep 30 epochs, waarbij de minimale leersnelheid werd bepaald door min_lr_ratio=1e-2.
    9. Gebruik FocalLoss en SmoothL1Loss.
       OPMERKING: Het protocol kan worden gepauzeerd na het opbouwen en splitsen van de dataset. Bewaar alle verwerkte gegevens veilig voordat je verder gaat.

Figuur 2. Handmatige annotatie van AD op NCCT-afbeelding. Representatief axiale NCCT-afbeelding die handmatige annotatie van AD demonstreert. De aortaregio en pathologische kenmerken, waaronder de intimale flap, worden omlijnd met een veelhoek (groen). Deze geannoteerde afbeelding wordt gebruikt voor modeltraining. Klik hier om een grotere versie van deze figuur te bekijken.

2. Modelarchitectuur

1. Modelopstelling
   1. Bouw de twee-klasse detector in MMDetection 2.x met uitvoerbare configuratiecode. De detector werd gebouwd in MMDetection 2.x vanuit de officiële cascade_rcnn_hrnetv2p_w32_20e_coco.py config via Config.fromfile(...), en vervolgens aangepast voor de twee-klasse taak (num_classes=2, klassenamen: "Aortadissectie", "Gezond") met aangepaste datasetpaden. Het model werd geïnstalleerd via build_detector(...) en init_detector(...), waarbij de uiteindelijke volledige configuratie als AorticDissection_full_pipeline_config.py werd geëxporteerd.
   2. Voer axiale NCCT-beelden in het model.
   3. Outputbegrenzende boxen, klassenlabels en betrouwbaarheidsscores (Figuur 3).
   4. Gebruik polygongebaseerde segmentatie-annotaties die tijdens de voorbereiding van de dataset zijn gegenereerd om interessegebieden te definiëren, en zet deze annotaties om in begrenzingsboxen voor modeltraining, visualisatie en uiteindelijke detectie-output.
      OPMERKING: Het detectiekader maakt gebruik van deze begrenzingsboxen om definitieve classificatie-uitkomsten en betrouwbaarheidsscores te genereren.
2. Ruggengraatconfiguratie
   1. Gebruik HRNetV2p-W32 als backbone-netwerk.
   2. Verwijder alle pluginmodules om de stabiliteit van de training te waarborgen.
3. Detectiearchitectuur
   1. Gebruik Cascade R-CNN voor detectie.
4. Verlies en ankerconfiguratie
   1. Configureer de classificatie- en regressieverliezen met expliciete parameterinstellingen. In de ROI-koppen werd het classificatieverlies ingesteld op FocalLoss met use_sigmoid=Waar en loss_weight = 1,0. Het ROI bounding-box regressieverlies werd ingesteld op SmoothL1Loss met beta = 1,0 en loss_weight = 0,5. In de RPN werd het classificatieverlies ook ingesteld op FocalLoss met use_sigmoid=Waar en loss_weight = 1,0, terwijl het regressieverlies werd ingesteld op L1Loss met loss_weight = 1,0.
   2. Definieer de aangepaste ankerverhoudingen. De RPN-ankerbeeldverhoudingen werden expliciet aangepast naar 0,5, 1,0, 2,0 en 3,0.
   3. Bebehoud de standaard ankerschaalwaarden uit de officiële MMDetection-basisconfiguratie. Deze studie nam standaard ankerschaalwaarden over uit het officiële MMDetection-configuratiebestand cascade_rcnn_hrnetv2p_w32_20e_coco.py, zonder extra handmatige aanpassing.
5. Outputdefinitie
   1. Outputvoorspellingen voor twee klassen: Aortadissectie en Gezond.

Figuur 3. Detectie van AD met behulp van het AI-model. Links: NCCT-afbeelding invoeren. Rechts: Modeloutput toont detectie van AD, waarbij het voorspelde gebied wordt gemarkeerd door een begrenzingsvak en bijbehorende betrouwbaarheidsscore. Deze figuur toont de identificatie van AD in NCCT-beelden en de visualisatie van detectieresultaten. De betrouwbaarheidsscore geeft het voorspellingsvertrouwen van het model voor AD-detectie weer Klik hier om een grotere versie van deze figuur te bekijken.

3. Modeltraining

1. Trainingsomgeving
   1. Voer training uit op NVIDIA RTX 3080 Ti GPU.
   2. Gebruik Ubuntu 22.04.1 LTS.
   3. Gebruik PyTorch 2.0.1, MMCV 1.7.2 en MMDetection 2.28.2.
2. Modelinitialisatie
   1. Initialiseer het model met een gespecificeerd COCO-voorgetraind HRNetV2p-W32 + Cascade R-CNN checkpoint. De detector werd geïnitialiseerd vanaf een COCO-voorgetrainde controlepost die expliciet in de experimentconfiguratie was gespecificeerd als cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. Dit checkpoint werd gebruikt als het initialisatie-gewichtbestand voor transfer learning in de huidige studie.
   2. Geef de classificatielagen opnieuw initialisatie voor twee klassen.
3. Hyperparameters
   1. Stel optimizer in op stochastische gradiëntafdaling.
   2. Stel de leersnelheid in op 0,0001.
   3. Zet het momentum op 0,9.
   4. Stel gewichtsafname in op 0,0001.
   5. Stel het aantal epochs in op 30.
   6. Stel batchgrootte in op 1.
   7. Stel de scheduler in op cosinus-annealing met warming-up.
4. Trainingsuitvoering
   1. Laad afbeeldingen en annotaties.
   2. Verander de grootte van afbeeldingen naar 512×512.
   3. Breng augmentaties aan.
   4. Normaliseer en vul afbeeldingen op.
   5. Voer modeltraining uit met het aangepaste MMDetection 2.x volledige pipeline-script: python full_pipeline_mmdet2_aortic_dissection.py, dat de officiële basisconfiguratie laadt en aanpast en de training start met de functies build_detector(...) en train_detector(...)
      OPMERKING: Het script werd uitgevoerd binnen de MMDetection 2.28.2-omgeving met alle afhankelijkheden geïnstalleerd zoals gespecificeerd in de Table of Materials.
   6. Evalueer de prestaties op de validatieset na elk epoch.
   7. Houd consistente trainingscondities, waaronder de volgorde van gegevens, parameterinstellingen en hardwareconfiguratie voor reproduceerbaarheid.
5. Modelselectie
   1. Kies het best presterende model op basis van de hoogste gemiddelde precisie (bbox_mAP) die op de validatieset is verkregen.
      OPMERKING: Selectiecriteria kunnen nauwkeurigheid, gevoeligheid, specificiteit of dobbelsteencoëfficiënt omvatten, afhankelijk van de studiedoelen.
6. Eindbeoordeling
   1. Evalueer het model op de onafhankelijke testset met behulp van COCOeval. De evaluatie werd uitgevoerd via het script full_pipeline_mmdet2_aortic_dissection.py met run_train=False en run_eval=True. Het script laadde het geselecteerde checkpoint, genereerde voorspellingen op de onafhankelijke testset, zette deze om in COCO-formaat resultaatbestanden en berekende bbox-metrieken met behulp van COCOeval.
      OPMERKING: De evaluatie werd uitgevoerd binnen dezelfde MMDetection 2.28.2-omgeving om consistentie met de trainingsopzet te waarborgen.
   2. Rapporteer metrics waaronder mAP, AP50, AP75 en AP per klas.
   3. Voer evaluatie uit met dezelfde dataset-partition en metriekdefinities om consistentie tussen experimenten te waarborgen.

Results

Deze sectie presenteert de reproduceerbare, implementatie-geverifieerde resultaten van het tweeklassen objectdetectiemodel voor AD-detectie uit NCCT-beelden, strikt in lijn met de gevalideerde trainingspijplijn en het COCO-evaluatiekader (Figuur 1). Alle metrics zijn afgeleid van de vastgehouden testset met behulp van COCOeval, zonder gefabriceerde data of niet-gevalideerde indicatoren.

Kwantitatieve detectieprestaties

Discussion

Clinici, met name spoedeisende hulpverleners, kunnen een verminderde diagnostische prestatie ervaren wanneer patiënten atypische symptomen tonen of wanneer een hoog aantal patiënten op de spoedeisende hulp tijdsdruk veroorzaakt. Daarentegen kan een AI-model dat is getraind om AD te identificeren op NCCT consistente en stabiele prestaties leveren, zelfs bij asymptomatische patiënten, zonder beperkt te zijn door leestijd, waardoor de nauwkeurigheid en efficiëntie van het diagnosticeren van...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Cascade R-CNN architectuur	OpenMMLab (MMDetection)	configs/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Gebruikte detectie architectuur in framework
Chest computed tomography beelden (non-contrast)	Zelf opgebouwd klinisch dataset	NCCT axiale beeldset	Klinische beeldgegevens gebruikt voor modelontwikkeling
COCO-formaat annotatiebestanden	Gegenereerd tijdens protocol	JSON (COCO formaat)	Geconverteerde annotatiebestanden gebruikt voor modeltraining
COCO vooraf getrainde gewichten	OpenMMLab MMDetection model zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Gebruikt voor modelinitialisatie
HRNetV2p-W32 architectuur	OpenMMLab (MMDetection)	HRNetV2p-W32 backbone (geïmplementeerd in MMDetection 2.28.2)	Gebruikt backbone model
ITK-SNAP	ITK-SNAP Ontwikkelingsteam	3.8.0	Gebruikt voor beeldformaatconversie en slice export
JSON annotatiebestanden	LabelMe uitvoer	Standaard JSON formaat	Bevat annotatie coördinaten en labels
LabelMe	MIT CSAIL	4.8.3	Gebruikt voor handmatige beeldannotatie
MMDetection	OpenMMLab	2.28.2	Object detectie framework gebruikt voor implementatie
MMCV	OpenMMLab	1.7.2	Kernaire bibliotheek die MMDetection ondersteunt
NumPy	NumPy Ontwikkelaars	1.26.4	Numerieke berekeningsbibliotheek
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Hardware gebruikt voor training
OpenCV	OpenCV	4.9.0	Beeldverwerking en visualisatie
pycocotools	PyPI / COCO API	2.0.6	COCO-formaat evaluatiebibliotheek
Python	Python Software Foundation	3.10.20	Programmeeromgeving
PyTorch	PyTorch	2.0.1+cu118	Deep learning framework
TorchVision	PyTorch	0.15.2+cu118	Visuele hulpmiddelen
Ubuntu Besturingssysteem	Canonical	22.04.1 LTS	Besturingssysteem voor trainingsomgeving