Objectivering van tongdiagnose in de traditionele geneeskunde, data-analyse en studietoepassing
14 april 2023
De huidige studie gebruikte U-Net en andere deep learning-algoritmen om een tongbeeld te segmenteren en vergeleek de segmentatieresultaten om de objectivering van tongdiagnose te onderzoeken.
Dit protocol maakt gebruik van deep learning-algoritme om tongbeelden te segmenteren en scheidt automatisch de tong van het hele beeld, dat kan worden gebruikt voor verder onderzoek. Dit protocol vergelijkt de prestaties van het viertongs beeldsegmentatiealgoritme om het basisalgoritme te selecteren dat een tong kan segmenteren met een duidelijke teller. In dit onderzoek worden gepatenteerde instrumenten en algoritmes gebruikt.
Het wordt aanbevolen om professionele instrumenten te gebruiken en computertechnologie onder de knie te krijgen. Om te beginnen, bereid het zelfontwikkelde linguale gezichtsdiagnose-instrument voor om linguale gezichtsbeelden van patiënten te verzamelen. Vul de naam, het geslacht, de leeftijd en de ziekte van de patiënt in op de computerpagina.
Vraag de patiënt vervolgens om rechtop te zitten en het beeldacquisitieapparaat te positioneren dat op de computer is aangesloten. Plaats vervolgens het gezicht van de patiënt in het beeldacquisitie-instrument en vraag hen om hun tong maximaal uit hun mond te strekken. Controleer via de beelden op het computerscherm of de patiënt zich in de juiste positie bevindt en of de tong en het gezicht volledig zijn blootgesteld.
Druk drie keer op de opnameknop op het computerscherm om drie beelden vast te leggen. Selecteer vervolgens handmatig de verzamelde afbeeldingen van het gezicht en de tong. Filter ze op basis van de Image Acquisition-pagina van de software.
Verzamel drie afbeeldingen van elke patiënt tegelijk en exporteer de afbeeldingen naar een map voor handmatige screening. Selecteer vervolgens een standaard, volledig belichte, goed verlichte en duidelijke afbeeldingen, het voorbeeld voor algoritmetraining en -testen. Verwijder de afbeeldingen die niet voldoen aan de criteria van een standaardafbeelding.
De criteria voor uitsluiting zijn onvolledige tong- en gezichtsbelichting en te donkere beelden. Om tongbeeldsegmentatie uit te voeren, opent u LabelMe en klikt u op de knop Openen in de linkerbovenhoek van de interface. Selecteer de map met de afbeelding die u wilt segmenteren en open de foto's.
Klik op de knop Polygoon maken om de punten bij te houden. Volg de tong- en linguale vormen, geef ze een naam op basis van de geselecteerde gebieden en sla ze op. Nadat u alle tracking hebt voltooid, klikt u op Opslaan om de afbeelding op te slaan in de gegevensmap.
Stel het apparaat in om afbeeldingen vast te leggen met een grootte van 1080x1920 pixels en zorg ervoor dat de grootte van de gevulde afbeelding 1920x1920 pixels is. Screen de beelden van elke patiënt handmatig om een van de drie afbeeldingen te selecteren en te behouden die zijn gemaakt voor oncontroleerbare factoren, zoals knipperen van het onderwerp en lensblokkering. Voor het trainen van het model, verzamel gegevens van 200 personen of 600 afbeeldingen en bewaar ongeveer 200 afbeeldingen die bruikbaar zijn na de screening.
Verdeel willekeurig alle tongafbeeldingen op basis van het afbeeldingsnummer en plaats 70% van de afbeeldingen in de trainingsset en 30% van de afbeeldingen in de map Testset. Download en installeer Anaconda Python en LabelMe vanaf hun officiële websites. Activeer de omgeving en voltooi de installatie en aanpassing van de algehele omgeving.
Kies het juiste model voor het onderzoeksdoel. In deze studie werden UNet, SegNet, DeepLab versie 3 en PSPNet geselecteerd voor validatie. Bouw vervolgens het deep learning-algoritmemodel in de geïnstalleerde omgeving.
Stem de parameters af door de waarden aan te passen en voltooi de modeltraining met behulp van de trainingsset. Gebruik LabelMe-annotatie en methoden voor uniforme afbeeldingsgrootte om de vereiste gegevensset samen te stellen in combinatie met de onderzoeksinhoud. Onderzoek de resultaten van de segmentatie en evalueer de prestaties van het model op basis van vier statistieken, precisie, recall, gemiddelde pixelnauwkeurigheid of MPA en MIOU, om een uitgebreidere evaluatie te krijgen.
Vergelijk de gegenereerde waarden van de vier modellen. Hoe hoger de waarde, hoe hoger de segmentatienauwkeurigheid en hoe beter de prestaties van het model. Volgens de indexresultaten is het UNet-algoritme superieur aan de andere algoritmen in MIOU, MPA, precisie en recall, en is de segmentatienauwkeurigheid ook hoger.
PSPNet is beter dan DeepLab Versie 3 in MIOU, MPA en recall, terwijl het DeepLab Versie 3-model lager is dan het segmentmodel in alle indexen. Bij tongsegmentatie is het buitenste rode gebied in de afbeelding het resultaat van tongsegmentatie en het binnenste groene gebied het gevolg van tongcoatingsegmentatie. In deze studie presteerde het eenheidsalgoritme goed in tongsegmentatie en kan verder onderzoek worden uitgevoerd op basis van de eenheidsalgoritmen.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie maakt gebruik van deep learning-algoritmen, specifiek U-Net, om tongbeelden effectief te segmenteren. De segmentatieresultaten worden vergeleken om de nauwkeurigheid van de tongdiagnostiek te evalueren.
Belangrijkste studiecomponenten
Wetenschappelijk gebied
- Neurowetenschap
- Medische Beeldvorming
- Deep Learning
Achtergrond
- Tonguediagnostiek is een traditionele methode in de Chinese geneeskunde.
- Deep learning blijkt veelbelovend voor beeldsegmentatietaken.
- Nauwkeurige segmentatie kan de diagnostische mogelijkheden verbeteren.
- Eerdere methoden kunnen tekortschieten in precisie bij de analyse van tongbeelden.
Doel van de studie
- Om tongbeelden te segmenteren met behulp van geavanceerde deep learning-technieken.
- Om de prestaties van verschillende segmentatiealgoritmen te vergelijken.
- Om het meest effectieve algoritme voor de analyse van tongbeelden te identificeren.
Gebruikte methoden
- Gebruik van U-Net en andere deep learning-modellen.
- Verzameling van tongafbeeldingen met behulp van een handmatig diagnostisch instrument.
- Vergelijking van segmentatieresultaten van meerdere algoritmen.
- Beoordeling van de helderheid en nauwkeurigheid van de segmentatie.
Belangrijkste resultaten
- U-Net vertoonde superieure prestaties bij het segmenteren van tongbeelden.
- Er werden duidelijkere segmentatieresultaten behaald in vergelijking met traditionele methoden.
- De prestaties van het algoritme varieerden, wat de noodzaak van een zorgvuldige selectie benadrukt.
- De resultaten ondersteunen het gebruik van deep learning in de medische diagnostiek.
Conclusies
- Deep learning-algoritmen kunnen de segmentatie van tongbeelden aanzienlijk verbeteren.
- U-Net wordt aanbevolen voor toekomstige studies naar tongdiagnostiek.
- Verder onderzoek is nodig om deze technieken te verfijnen.
Veelgestelde Vragen
Industriële Relevantie voor Directie
Geobjectiveerde tongbeeldsegmentatie met behulp van deep learning-modellen speelt in op de behoefte aan gestandaardiseerde, reproduceerbare diagnostische beeldvorming in translationeel onderzoek. De comparatieve evaluatie van segmentatiealgoritmen, in het bijzonder U-Net, verhoogt de voorspellende betrouwbaarheid bij digitale fenotypering en ondersteunt schaalbare data-integratie voor de ontdekking van biomarkers. Het vaststellen van robuuste workflows voor beeldanalyse is cruciaal voor de vooruitgang van de digitale pathologie en de harmonisatie van data over verschillende cohorten in biofarmaceutische R&D.
Strategische toepassingen in biofarmaceutische R&D
Vroege Ontdekking & Targetvalidatie
- Maakt kwantitatieve beoordeling van fenotypische kenmerken mogelijk op basis van gestandaardiseerde tongbeelden.
- Ondersteunt biologische risicoreductie door objectieve, reproduceerbare resultaten van beeldsegmentatie te leveren.
- Faciliteert hypothese-gestuurde exploratie van digitale biomarkers in ziekterelateerde systemen.
Screening & Assayontwikkeling
- Bereidt gevalideerde beeldsets voor voor daaropvolgende algoritmische screening en modeltraining.
- Verbetert de reproduceerbaarheid van de assay door uniforme standaarden voor beeldacquisitie en segmentatie.
- Maakt schaalbare evaluatie van segmentatiealgoritmen mogelijk voor platformhergebruik en screeningreadiness.
Translationeel & Preklinisch Onderzoek
- Rijgt digitale beeldoutputs uit met initiatieven voor de ontwikkeling van translationele biomarkers.
- Ondersteunt de continuïteit van beeldacquisitie tot de preklinische validatie van digitale eindpunten.
- Vermindert ambiguïteit in fenotypische read-outs, waardoor de voorspellende waarde voor translationele studies wordt verbeterd.
Integratie van Pipeline & Workflow
Dit segmentatieprotocol is geïntegreerd in de digitale pathologieworkflow, die beeldacquisitie, annotatie, modeltraining en kwantitatieve evaluatie omvat. Het ondersteunt de overgang van vroege ontdekking naar preklinisch onderzoek door het mogelijk maken van gestandaardiseerde, hoogwaardige beelddatasets.
- Ontdekkingsbiologie: Biedt objectieve, kwantitatieve beeldsegmentatie voor hypothesetoetsing en padanalyse.
- Screening: Levert reproduceerbare, gevalideerde beeldsets voor het benchmarken van algoritmen en de ontwikkeling van assays.
- Analytiek: Genereert metrieken voor precisie, recall en MIoU om segmentatiemodellen te vergelijken en de selectie te onderbouwen.
- Translationeel onderzoek: Slaat een brug tussen digitale beeldanalyse, biomarker-uitlijning en preklinische validatie van eindpunten.
- Hergebruik op ondernemingsniveau: Vestigt een schaalbare, gestandaardiseerde workflow voor toekomstige digitale pathologie en AI-gestuurde studies.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellende vertrouwen en vermindert mechanistische ambiguïteit bij digitale fenotypering.
- Operationele waarde: Standaardiseert beeldacquisitie, annotatie en segmentatie voor reproduceerbaarheid en schaalbaarheid.
- Strategische waarde: Maakt robuuste go/no-go-beslissingen en kapitaalefficiënte voortgang van programma's voor digitale biomarkers mogelijk.
- Impact op portfolio: Ondersteunt risicogecorrigeerde prioritering en harmonisatie van gegevens tussen verschillende studies voor enterprise R&D.
Overwegingen bij de implementatie
- Vereist expertise in deep learning, beeldannotatie en computationele infrastructuur.
- Is afhankelijk van toegang tot gevalideerde instrumenten voor beeldacquisitie en annotatietools.
- Vereist standaardisatie van beeldkwaliteit en segmentatiecriteria tussen teams.
- Protocollen moeten worden aangepast voor diverse patiëntenpopulaties en beeldvormingsomgevingen.
- Huidige beperkingen omvatten het gebrek aan uniforme standaarden en uitdagingen met complexe beeldachtergronden.
