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. J....

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 ....

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