Trening modelu sztucznej inteligencji do wykrywania rozwarstwień aorty z wykorzystaniem obrazów tomografii komputerowej bez kontrastu od ludzkich pacjentów

Summary

Protokół ten opisuje trenowanie modelu sztucznej inteligencji do wykrywania rozwarstwienia aorty za pomocą obrazów tomografii komputerowej bez kontrastu, umożliwiając szybkie i dostępne badania przesiewowe w warunkach klinicznych.

Abstract

Rozwarstwienie aortalne (AD) jest skrajnym skutkiem upośledzonej homeostazy remodelacji naczyń i wymaga szybkiej, precyzyjnej identyfikacji w praktyce klinicznej. Protokół ten opisuje model uczenia się oparty na sztucznej inteligencji do identyfikacji AD, wykorzystujący tomografię komputerową bez kontrastu (CT). Zestawy danych z angiografii tomografii klatki piersiowej i aorty zostały zebrane od pacjentów z AD i bez AD w szpitalu trzeciego stopnia A. Struktury naczyniowe na każdym obrazie osiowym były ręcznie segmentowane i adnotowane za pomocą otwartoźródłowego oprogramowania LabelMe, aby ustanowić zbiór danych segmentacyjnych do tworzenia i oceny modelu. Zbiór danych został podzielony na zestawy treningowe, testowe i walidacyjne w stosunku 8:1:1 do trenowania i walidacji modelu. Po opracowaniu modelu o solidnych wynikach detekcji, zbudowano internetową platformę przetwarzającą do wizualizacji i efektywnej prezentacji wyników. Takie podejście stanowi potężne, inteligentne narzędzie do szybkiego, wstępnego badania AD i odpowiada na niezaspokojoną potrzebę kliniczną dostępnego wczesnego wykrywania w różnych środowiskach klinicznych.

Introduction

Rozwarstwienie aorty (AD) to zagrażający życiu stan ostry, charakteryzujący się przedostaniem krwi do warstwy przyśrodkowej ściany aorty przez rozdarcie w błonie intymnej, tworząc rozcinający i rozszerzający się fałszywy lumen¹. Bez terminowej diagnozy i leczenia wskaźnik śmiertelności jest niezwykle wysoki, a liczba zgonów w ciągu 24 godzin (wliczając zgony przed dotarciem do szpitala) wynosiła 93%². Kontrastowa tomografia komputerowa (CTA) jest złotym standardem diagnozowania AD, ponieważ pozwala wyraźnie zobrazować prawdziwe i fałszywe lumeny, lokalizację rozdarcia oraz zakres zaangażowania³. Jednak CTA wymaga wstrzyknięcia środków kontrastowych zawierających jod, które niosą ryzyko reakcji alergicznych i nefrotoksyczności ^4,5. Dodatkowo, uzyskanie 24-godzinnej szybkiej dostępności jest trudne w wielu szpitalach podstawowych lub placówkach ratunkowych. Natomiast tomografia komputerowa bez kontrastu (NCCT) nie wymaga stosowania środków kontrastowych, oferując wygodne, szybkie badanie przy stosunkowo niskiej dawce promieniowania i szerszym zastosowaniu. Niemniej jednak w obrazach NCCT kontrast między prawdziwymi a fałszywymi lumenami, a także między płatem intymnym a krwią, jest niski, co stanowi poważne wyzwanie dla diagnozy wzrokowej lekarzy i łatwo prowadzi do przeoczenia lub błędnej diagnozy, zwłaszcza wśród mniej doświadczonych klinicystów. Dlatego opracowanie techniki umożliwiającej uzyskanie wysokiej precyzji i wysokiej czułości automatycznego wykrywania AD bezpośrednio na podstawie obrazów NCCT ma istotną wartość kliniczną i perspektywy zastosowania.

Najnowsze osiągnięcia w głębokim uczeniu umożliwiły dokładną identyfikację cech patologicznych na podstawie obrazów medycznych bez kontrastu ^6,7. Sieć wysokiej rozdzielczości (HRNet) utrzymuje wysokorozdzielcze mapy cech w całej sieci, natomiast sieć squeeze-and-excitation (SENet) poprawia reprezentację cech poprzez modelowanie zależności międzykanałowych⁸. Połączenie HRNet i SENet zapewnia skuteczną strategię ekstrakcji cech do wieloskalowej reprezentacji obrazów NCCT, co jest kluczowe dla wykrywania subtelnych oznak AD, takich jak intymne płaty i znaki podwójnego lumenu. W tym przypadku koncepcja ekstrakcji cech została zaimplementowana w ramach systemu detekcji obiektów z wykorzystaniem MMDetection oraz sieci splotowej (R-CNN) opartej na regionach kaskadowych, umożliwiając solidną lokalizację i klasyfikację rozwarstwień aorty.

W tym badaniu model sztucznej inteligencji (AI) oparty na HRNet+SENet wykorzystuje proces stopniowego treningu do identyfikacji AD na podstawie obrazów NCCT (Rysunek 1). Kładzie nacisk na standaryzację zbiorów danych, ekstrakcję cech wieloskalowych oraz kliniczną elastyczność. Celem tej metody jest zapewnienie wiarygodnego podejścia do wykrywania AD, szczególnie w placówkach ratunkowych i podstawowej opiece zdrowotnej, gdzie obrazowanie z rozszerzonym kontrastem jest ograniczone lub niedostępne.

Rysunek 1. Przepływ pracy modelu sztucznej inteligencji (AI) do wykrywania dyssekcji aorty (AD). Schemat potoku treningowego modelu AI do wykrywania AD z wykorzystaniem obrazów tomografii obliczeniowej bez kontrastu (NCCT). Przepływ pracy obejmuje przygotowanie danych (zbieranie i adnotacje obrazów, standaryzację formatów i wstępne przetwarzanie oraz dzielenie zbiorów danych), konstrukcję modelu (szkielet HRNetV2p-W32 zintegrowany w ramach detekcji Cascade R-CNN i inicjowany za pomocą wag wstępnie trenowanych COCO), trening modelu (optymalizator SGD, tempo uczenia się przez wyżarzanie kosinusowe oraz utrata entropii krzyżowej), ewaluację modelu (metryki ilościowe i wizualizacja jakościowa) oraz zastosowania kliniczne. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Protocol

Wszystkie dane związane z ludźmi w tym badaniu zostały przeprowadzone zgodnie ze standardami etycznymi Deklaracji Helsińskiej i zatwierdzone przez Komitet Etyki Chińsko-Japońskiego Szpitala Związkowego Uniwersytetu w Jilin (numer zatwierdzenia: 2019103004). Przed zebraniem ich odpowiednich informacji uzyskano świadomą zgodę na piśmie od wszystkich uczestników lub ich prawnych opiekunów. Wszystkie dane osobowe uczestników były ściśle poufne, aby chronić ich prywatność, a podczas procesu zbierania danych nie przeprowadzono na nich żadnych operacji eksperymentalnych.

1. Konstrukcja zbioru danych

1. Zbieranie danych i partycjonowanie zbiorów danych
   1. Pobierz kliniczne niekontrastowe obrazy tomografii klatki piersiowej od 300 pacjentów przyjętych do Chińsko-Japońskiego Szpitala Związkowego Uniwersytetu Jilin w okresie od 1 marca 2022 do 1 marca 2025 roku, w tym 150 pacjentów z AD i 150 pacjentów bez AD potwierdzonych przez CTA. Uwzględnij AD typu A i typu B. Wszystkie surowe dane obrazowe są ograniczone do instytucji i nie są publicznie dostępne ze względu na prywatność pacjentów oraz ograniczenia etyczne.
   2. Podzielić zbiór danych na zestawy treningowe, walidacyjne i testowe w stosunku 8:1:1 na poziomie pacjenta. Upewnij się, że wszystkie fragmenty od jednego pacjenta pozostają w jednym zestawie, aby wyeliminować wycieki danych.
   3. Przeprowadz próbkowanie stratyfikowane na podstawie diagnozy AD/nie-AD, aby zachować równowagę klasową we wszystkich podzbiorach.
   4. Zbiór danych został wcześniej podzielony na poziomie pacjenta, jak opisano powyżej, aby uniknąć wycieku informacji na poziomie pacjenta. Do algorytmu treningowego zastosowano stały losowy seed 42, aby kontrolować losowe procesy, w tym tasowanie danych, uzupełnianie online oraz inicjalizację modelu podczas treningu; to ziarno było niezależne i nie było stosowane do partycjonowania zbiorów danych.
      UWAGA: Upewnij się, że wszystkie dane obrazowe pacjentów są w pełni zanonimizowane przed przetwarzaniem, aby chronić prywatność pacjentów oraz spełniać wytyczne instytucjonalne i regulacyjne.
2. Wykluczenie danych
   1. Wyklucz obrazy z silnymi artefaktami ruchu.
   2. Wyklucz obrazy o niewystarczającym zasięgu skanowania, które nie obejmują całej aorty.
   3. Wyklucz obrazy z nadmiernym szumem obrazu, definiowanym jako odchylenie standardowe tłumienia CT przekraczające 30 HU w opadającej aorcie piersiowej.
3. Konwersja obrazu
   1. Ładuj dane obrazowe DICOM i eksportuj osiowe wycinki obrazów za pomocą oprogramowania ITK-SNAP.
   2. Uruchom ITK-SNAP i kliknij Plik → otwórz główny obraz.
   3. Wybierz źródłową serię DICOM i kliknij Otwórz.
   4. Przesuwacz przez cięcia osiowe używaj suwaka slice.
   5. Eksportuj każdy fragment, klikając File → Export → Image Slice.
   6. Wybierz format PNG i określ katalog wyjściowy.
   7. Zapisz każdy wycinek jako osobny plik.
   8. Wszystkie eksportowane fragmenty obrazu były jednolicie nazwane według stałego formatu IMG-[PatientID]-[SliceIndex].png, przyjmując unikalne identyfikatory pacjentów oraz sekwencyjne numerowanie fragmentów, aby zagwarantować śledzenie.
4. Ustawianie adnotacji obrazów
   1. Otwieraj każdy obraz osiowy za pomocą oprogramowania do adnotacji LabelMe.
   2. Uruchom LabelMe i kliknij Otwórz katalog.
   3. Przejdź do folderu zawierającego obrazy osiowe i załaduj wszystkie obrazy.
5. Segmentacja ręczna
   1. Wybierz narzędzie Create Polygon w LabelMe, aby annotować struktury naczyniowe (Rysunek 2). Uwzględnij lumen aorty, płat intymny oraz widoczne granice rozwarstwienia podczas adnotacji. Podczas oznakowania cała struktura aorty obejmująca płat intymny została wyprofilowana jako jeden zintegrowany obszar. Zakres adnotacji jednolicie obejmował cały widoczny segment aorty z rozwarstwieniem i granicami pęknięć intymnych, bez odrębnej segmentacji czy rozróżnienia prawdziwego lumenu, fałszywego lumenu czy niezależnych podregionów naczyniowych.
   2. Zdefiniuj granice naczyń, umieszczając wierzchołki wzdłuż struktury.
   3. Zamknąć wielokąt, łącząc ostatni wierzchołek z pierwszym wierzchołkiem.
   4. Modyfikuj adnotacje za pomocą narzędzia Modify Polygon w razie potrzeby.
6. Przydział wytwórni
   1. Każda ukończona adnotacja wielokątna była oznaczona dwoma ustandaryzowanymi i zgodnymi z przypadkami kategoriami: "Rozwarstwienie aorty" dla rozwarstwienia aorty oraz "Zdrowe" dla obrazów aorty w normie.
   2. Upewnij się, że nazwy etykiet są używane konsekwentnie we wszystkich adnotacjach i pozostają identyczne pod względem pisowni i formatu w całym zbiorze danych.
   3. Wybierz etykiety z listy rozwijanej lub wprowadź je ręcznie.
   4. Kliknij OK lub naciśnij Enter, aby potwierdzić przypisanie etykiety.
   5. Zapisz adnotacje, aby generować pliki JSON.
      UWAGA: Ręczne adnotacje mogą się różnić w zależności od operatora. Zapewnij spójność kryteriów adnotacji i, jeśli to możliwe, uwzględnij walidację ekspertów.
7. Eksport adnotacji
   1. Włącz Auto Save, aby eksportować adnotacje w formacie JSON.
   2. Upewnij się, że każdy plik JSON odpowiada oryginalnemu fragmentowi CT.
   3. Sprawdź, czy każdy plik adnotacji utrzymuje spójną korelację jeden do jednego z powiązanym plikiem obrazu.
   4. Przekonwertowanie adnotacji JSON na format zgodny z ramą treningową. Adnotacje JSON LabelMe były konwertowane do formatu COCO za pomocą niestandardowego skryptu Pythona przed treningiem. Przekonwertowane pliki (output_coco_annotations_{split}.json, gdzie split = train, valid lub test) były ładowane w MMDetection 2.x za pomocą CocoDataset z LoadAnnotations(with_bbox=True).
8. Kontrola jakości danych
   1. Usuń nieprawidłowe wpisy na podstawie wcześniej określonych kryteriów jakości, w tym brakujących plików obrazowych, niepełnych adnotacji lub niedopasowanych par obraz–adnotacja.
   2. Generowanie i nazewnictwo czyszczonych plików adnotacji COCO do treningów, walidacji i testów. Wyczyszczone adnotacje zostały zapisane jako specyficzne dla splitu pliki COCO JSON, używając stałej reguły nazewnictwa output_coco_annotations_{split}.json. Konkretnie, trzy pliki wyjściowe to train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json oraz test/output_coco_annotations_test.json, a odpowiadające im obrazy przechowywane w train/images/, valid/images/ oraz test/images/. Pliki te były bezpośrednio wykorzystywane przez pipeline treningowy MMDetection.
9. Organizacja zbiorów danych
   1. Zorganizuj zbiór danych na katalogi treningowe, walidacyjne i testowe. Zbiór danych był zorganizowany pod katalogiem głównym aortic_dissection_dataset/ i podzielony na trzy podkatalogi specyficzne dla podziału: train/, valid/ oraz test/. Każdy podkatalog zawierał obrazy/folder, w którym pliki obrazów należały do tego podziału.
   2. Przechowywać specyficzne dla podziału pliki adnotacji COCO w każdym odpowiadającym mu katalogu podzielonym zamiast w katalogu głównym zbioru danych. Adnotacje treningowe, walidacyjne i testowe były zapisywane odpowiednio jako train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json oraz test/output_coco_annotations_test.json. Pliki te były ładowane poprzez konfigurację ścieżek ann_file i img_prefix specyficznych dla podziału podczas konfiguracji modelu.
   3. Utrzymuj spójną strukturę katalogów w zestawach danych treningowych, walidacyjnych i testowych, aby zapewnić kompatybilność z ramami treningowymi.
10. Potok treningowych danych
    1. Ładuj obrazy i adnotacje z ramkami ograniczającymi.
    2. Zmień rozmiar obrazów do 512×512, zachowując proporcje obrazu.
    3. Zastosuj losowe przewrócenie o prawdopodobieństwie 0,5.
    4. Stosuj augmentację danych za pomocą wyraźnych ustawień parametrów. Podczas treningu obrazy wejściowe były zmniejszane do 512 × 512 pikseli (keep_ratio=True), a następnie nastąpiła augmentacja: losowe przewracanie (flip_ratio=0,5), korekta gamma (gamma_limit=90–110, p=0,4), regulacja jasności/kontrastu (brightness_limit=0,15, contrast_limit=0,15, p=0,4), transformacja geometryczna (shift_limit=0,03, scale_limit=0,08, rotate_limit=10°, p=0,4), oraz szum Gaussa (var_limit=5,0–25,0, p=0,2). Obrazy walidacyjne i testowe były jedynie zmieniane, normalizowane i wypełniane bez augmentacji.
    5. Stosuj wszystkie operacje augmentacyjne z użyciem spójnych ustawień parametrów we wszystkich uruchomieniach treningowych, aby zapewnić powtarzalność.
    6. Normalizuj obrazy za pomocą średniej [123,675, 116,28, 103,53] oraz odchylenia standardowego [58,395, 57,12, 57,375].
    7. Wypełnij obrazy do wielokrotności 32.
11. Potok walidacji i testów
    1. Wgraj obrazy.
    2. Zmień rozmiar obrazów.
    3. Normalizuj obrazy.
    4. Wypełnij obrazy do wielokrotności 32.
12. Konstrukcja ram modeli
    1. Zbuduj detektor obiektów z dwiema klasami w MMDetection 2.x, używając zmodyfikowanej konfiguracji HRNetV2p-W32 + Cascade R-CNN. Detektor został zaimplementowany w MMDetection 2.x na podstawie oficjalnej konfiguracji cascade_rcnn_hrnetv2p_w32_20e_coco.py i zainicjowany odpowiednimi wagami pretrenowanymi przez COCO cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Użyj HRNetV2p-W32 jako szkieletu oraz Cascade R-CNN jako detektora, zgodnie z konfiguracją opisaną w kroku 1.12.1.
    3. Dostosuj bazową konfigurację MMDetection do zadania dwuklasowego. Model został zmodyfikowany do zadania dwuklasowego poprzez ustawienie num_classes = 2 z nazwami klas "Aortic Dissection" i "Healthy" oraz aktualizację ścieżek zbiorów danych do treningu, walidacji i zestawów testowych. Ostateczna konfiguracja powtarzalna została zapisana jako AorticDissection_full_pipeline_config.py.
    4. Zdefiniuj klasy jako Aorta Dissection i Healthy.
13. Konfiguracja treningowa
    1. Trenuj na kartie NVIDIA RTX 3080 Ti.
    2. Ustaw optymalizator na stochastyczny gradient decent.
    3. Ustaw wskaźnik uczenia się na 0,0001.
    4. Ustaw pęd na 0,9.
    5. Ustaw spadek wagi na 0,0001.
    6. Ustaw liczbę epok na 30.
    7. Ustaw rozmiar partii na 1 na GPU.
    8. Zastosuj epochalny cosinusowy planer uczenia się z wyraźnymi ustawieniami rozgrzewania. Tempo uczenia wykorzystywało harmonogram wyżarzania kosinusowego opartego na epochach (by_epoch=True) z liniowym rozgrzewaniem przez pierwsze 500 iteracji (warmup_ratio=1e-4). Szkolenie trwało 30 epok, a minimalny wskaźnik uczenia się był kontrolowany przez min_lr_ratio=1e-2.
    9. Używaj FocalLoss i SmoothL1Loss.
       UWAGA: Protokół można zatrzymać po konstrukcji i podziale zbioru danych. Przechowywaj wszystkie przetworzone dane bezpiecznie przed dalszym działaniem.

Rysunek 2. Ręczna adnotacja AD na obrazie NCCT. Reprezentatywny obraz osi NCCT demonstrujący ręczną adnotację AD. Obszar aorty oraz cechy patologiczne, w tym płat intymny, są obrysowane za pomocą wielokąta (zielonego). Ten obrazek z adnotacjami służy do trenowania modelu. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

2. Architektura modelu

1. Konfiguracja modelu
   1. Zbuduj detektor dwóch klas w MMDetection 2.x za pomocą wykonywalnego kodu konfiguracyjnego. Detektor został zbudowany w MMDetection 2.x na podstawie oficjalnej konfiguracji cascade_rcnn_hrnetv2p_w32_20e_coco.py za pomocą Config.fromfile(...), a następnie zmodyfikowany dla zadania dwuklasowego (num_classes=2, nazwy klas: "Aortic Dissection", "Healthy") z dostosowanymi ścieżkami do zbioru danych. Model był instancjonowany przez build_detector(...) i init_detector(...), a ostateczna pełna konfiguracja eksportowana jako AorticDissection_full_pipeline_config.py.
   2. Wprowadzaj obrazy NCCT osiowe do modelu.
   3. Wyjściowe ramki ograniczające, etykiety klas i oceny pewności (Rysunek 3).
   4. Wykorzystaj adnotacje segmentacyjne oparte na wielokątach, generowane podczas przygotowania zbioru danych, aby zdefiniować interesujące obszary i przekształcić te adnotacje w ramki ograniczające do treningu, wizualizacji modelu i końcowego wyniku.
      UWAGA: Ramy detekcji wykorzystują te ramki ograniczające do generowania końcowych wyników klasyfikacji i wskaźników ufności.
2. Konfiguracja szkieletu
   1. Użyj HRNetV2p-W32 jako sieci szkieletowej.
   2. Usuń wszystkie moduły wtyczek, aby zapewnić stabilność treningu.
3. Architektura detekcji
   1. Używaj Cascade R-CNN do wykrywania.
4. Utraty i konfiguracja kotwicy
   1. Konfiguruj straty klasyfikacyjne i regresyjne z wyraźnymi ustawieniami parametrów. W głowach ROI strata klasyfikacji została ustawiona na FocalLoss z use_sigmoid=True i loss_weight = 1.0. Strata regresyjna z ROI w ramach boundingboxu została ustawiona na SmoothL1Loss przy beta = 1,0 i loss_weight = 0,5. W RPN strata klasyfikacji została również ustawiona na FocalLoss przy use_sigmoid=True i loss_weight = 1.0, natomiast strata regresyjna na L1Loss przy loss_weight = 1.0.
   2. Zdefiniuj dostosowane proporcje kotwic. Proporcje proporcji kotwic RPN zostały wyraźnie dostosowane do 0,5, 1,0, 2,0 i 3,0.
   3. Zachowaj domyślne wartości skali kotwic z oficjalnej konfiguracji bazy MMDetection. Badanie przyjęło domyślne wartości skali kotwic z oficjalnego pliku konfiguracyjnego MMDetection cascade_rcnn_hrnetv2p_w32_20e_coco.py, bez dodatkowych ręcznych modyfikacji.
5. Definicja wyjścia
   1. Prognozy wyjściowe dla dwóch klas: Dyssekcia Aorty i Zdrowe.

Rysunek 3. Wykrywanie AD za pomocą modelu AI. Po lewej: Wprowadź obraz NCCT. Po prawej: Wynik modelu pokazujący wykrywanie AD, z przewidywanym obszarem zaznaczonym przez ramkę ograniczającą i powiązany z nim wynik zaufania. Ten rysunek pokazuje identyfikację AD na obrazach NCCT oraz wizualizację wyników detekcji. Wskaźnik zaufania reprezentuje pewność modelu w zakresie wykrywania AD. Prosimy kliknąć tutaj, aby zobaczyć większą wersję tego wykresu.

3. Trening modelowy

1. Środowisko szkoleniowe
   1. Przeprowadz trening na GPU NVIDIA RTX 3080 Ti.
   2. Użyj Ubuntu 22.04.1 LTS.
   3. Używaj PyTorch 2.0.1, MMCV 1.7.2 oraz MMDetection 2.28.2.
2. Inicjalizacja modelu
   1. Zainicjalizuj model za pomocą określonego punktu kontrolnego HRNetV2p-W32 + Cascade R-CNN w ramach pretrenowanego COCO. Detektor został zainicjowany z punktu kontrolnego pretrenowanego przez COCO, który został wyraźnie określony w konfiguracji eksperymentu jako cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. Ten punkt kontrolny był używany jako plik wagowy inicjalizacyjny dla uczenia transferowego w obecnym badaniu.
   2. Ponownie inicjalizuj warstwy klasyfikacyjne dla dwóch klas.
3. Hiperparametry
   1. Ustaw optymalizator na stochastyczny gradient decent.
   2. Ustaw wskaźnik uczenia się na 0,0001.
   3. Ustaw pęd na 0,9.
   4. Ustaw spadek wagi na 0,0001.
   5. Ustaw liczbę epok na 30.
   6. Ustaw rozmiar partii na 1.
   7. Ustaw harmonogram na cosinusowe wyżarzanie z rozgrzewką.
4. Realizacja szkolenia
   1. Ładuj obrazy i adnotacje.
   2. Zmień rozmiar obrazów do 512×512.
   3. Stosuj augmentacje.
   4. Normalizuj i podkładaj obrazy.
   5. Wykonaj trening modelu za pomocą niestandardowego pełnego skryptu pipeline MMDetection 2.x: python full_pipeline_mmdet2_aortic_dissection.py, który ładuje i adaptuje oficjalną bazową konfigurację oraz inicjuje trening za pomocą funkcji build_detector(...) i train_detector(...).
      UWAGA: Skrypt został wykonany w środowisku MMDetection 2.28.2 ze wszystkimi zależnościami zainstalowanymi zgodnie z Tabelą Materiałów.
   6. Oceń wydajność na zestawie walidacyjnym po każdej epoce.
   7. Utrzymuj spójne warunki treningowe, w tym kolejność danych, ustawienia parametrów i konfigurację sprzętu dla powtarzalności.
5. Wybór modelu
   1. Wybierz najlepiej działający model na podstawie najwyższej średniej dokładności (bbox_mAP) uzyskanej na zbiorze walidacyjnym.
      UWAGA: Kryteria wyboru mogą obejmować dokładność, czułość, specyficzność lub współczynnik Dice w zależności od celów badania.
6. Ostateczna ocena
   1. Oceń model na niezależnym zbiorze testowym za pomocą COCOeval. Ocena była przeprowadzana przez skrypt full_pipeline_mmdet2_aortic_dissection.py z run_train=Fałszywe i run_eval=Prawdziwe. Skrypt ładował wybrany punkt kontrolny, generował prognozy na niezależnym zbiorze testowym, konwertował je na pliki wyników w formacie COCO oraz obliczał metryki bbox za pomocą COCOeval.
      UWAGA: Ocena została przeprowadzona w tym samym środowisku MMDetection 2.28.2, aby zapewnić spójność z konfiguracją szkoleniową.
   2. Raportuj wskaźniki takie jak mAP, AP50, AP75 oraz AP według klasy.
   3. Przeprowadz ocenę z użyciem tych samych definicji podziałów zbiorów danych i metryki, aby zapewnić spójność między eksperymentami.

Results

Ta sekcja przedstawia powtarzalne, zweryfikowane przez implementację wyniki dwuklasowego modelu detekcji obiektów do wykrywania AD na podstawie obrazów NCCT, ściśle zgodnych z walidowanym potokiem treningowym i ramami oceny COCO (Rysunek 1). Wszystkie metryki są wyprowadzane z zestawu testów za pomocą COCOeval, bez sfabrykowanych danych czy niezweryfikowanych wskaźników.

Wydajność wykrywania ilościowego

Model został oce...

Discussion

Klinicyści, zwłaszcza lekarze ratunkowi, mogą doświadczać obniżonej wydajności diagnostycznej, gdy pacjenci występują z objawami atypowymi lub gdy duża liczba pacjentów na oddziale ratunkowym narzuca ograniczenia czasowe. Natomiast model AI wytrenowany do identyfikacji AD na NCCT może zapewnić spójną i stabilną wydajność nawet u pacjentów bezobjawowych, bez ograniczenia czasu czytania, co potencjalnie zwiększa dokładność i efektywność diagnozowania AD oraz krwiaka^{śródściennego 9}.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Architektura Cascade R-CNN	OpenMMLab (MMDetection)	konfiguracje/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Architektura detekcji używana w frameworku
Obrazy tomografii komputerowej klatki piersiowej (bez kontrastu)	Samodzielnie skonstruowany zbiór danych klinicznych	Zestaw obrazów osi NCCT	Dane obrazowania klinicznego wykorzystywane do tworzenia modeli
Pliki adnotacji w formacie COCO	Generowane podczas protokołu	JSON (format COCO)	Przekonwertowane pliki adnotacji używane do trenowania modeli
COCO z pre-treningiem ciężarów	OpenMMLab MMDetection model zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Wykorzystywane do inicjalizacji modeli
Architektura HRNetV2p-W32	OpenMMLab (MMDetection)	Szkielet HRNetV2p-W32 (zaimplementowany w MMDetection 2.28.2)	Używany model szkieletu
TRZASK	Zespół Deweloperski ITK-SNAP	3.8.0	Wykorzystywane do konwersji formatów obrazów i eksportu fragmentów
Pliki adnotacji JSON	Wyjście LabelMe	Standardowy format JSON	Zawieraj współrzędne adnotacji i etykiety
LabelMe	MIT CSAIL	4.8.3	Używane do ręcznej adnotacji obrazów
MMDetection	OpenMMLab	2.28.2	Framework detekcji obiektów stosowany do implementacji
MMCV	OpenMMLab	1.7.2	Biblioteka podstawowa wspierająca MMDetection
NumPy	Deweloperzy NumPy	1.26.4	Biblioteka obliczeń numerycznych
KARTA GRAFICZNA NVIDIA RTX 3080 Ti	NVIDIA	RTX 3080 Ti	Sprzęt używany do szkolenia
OpenCV	OpenCV	4.9.0	Przetwarzanie i wizualizacja obrazów
pycocotools	PyPI / COCO API	2.0.6	Biblioteka ewaluacji w formacie COCO
Python	Python Software Foundation	3.10.20	Środowisko programistyczne
PyTorch	PyTorch	2.0.1+cu118	Ramy uczenia głębokiego
TorchVision	PyTorch	0.15.2+cu118	Narzędzia wizualne
System operacyjny Ubuntu	Kanoniczne	22.04.1 LTS	System operacyjny środowiska treningowego