Obiektywizacja diagnozy języka w medycynie tradycyjnej, analiza danych i zastosowanie w badaniach
14 kwietnia 2023
W obecnym badaniu wykorzystano U-Net i inne algorytmy głębokiego uczenia do segmentacji obrazu języka i porównano wyniki segmentacji w celu zbadania obiektywizacji diagnozy języka.
Protokół ten wykorzystuje algorytm głębokiego uczenia się do segmentacji obrazów języka i automatycznie oddziela język od całego obrazu, który można wykorzystać do dalszych badań. Protokół ten porównuje wydajność algorytmu segmentacji obrazu w czterech językach w celu wybrania algorytmu podstawowego, który może segmentować język za pomocą wyraźnego licznika. W badaniu wykorzystano opatentowane instrumenty i algorytmy.
Zaleca się korzystanie z profesjonalnych instrumentów i opanowanie technologii komputerowej. Na początek przygotuj samodzielnie opracowany ręczny lingwalny przyrząd do diagnostyki twarzy do zbierania obrazów twarzy pacjentów w języku. Wpisz imię i nazwisko pacjenta, płeć, wiek i chorobę na stronie komputera.
Następnie poproś pacjenta, aby usiadł prosto i ustawił urządzenie do akwizycji obrazu podłączone do komputera. Następnie umieść twarz pacjenta w instrumencie do akwizycji obrazu i poproś go o maksymalne wysunięcie języka z ust. Sprawdź na obrazach na ekranie komputera, czy pacjent znajduje się we właściwej pozycji i czy język i twarz są w pełni odsłonięte.
Naciśnij trzykrotnie przycisk fotografowania na ekranie komputera, aby zrobić trzy zdjęcia. Następnie ręcznie wybierz zebrane obrazy twarzy i języka. Filtruj je według strony Pobieranie obrazu w oprogramowaniu.
Zbierz trzy obrazy od każdego pacjenta na raz i wyeksportuj je do folderu w celu ręcznego badania przesiewowego. Następnie wybierz standardowe, w pełni naświetlone, dobrze oświetlone i wyraźne obrazy, które są próbką do trenowania i testowania algorytmu. Usuń obrazy, które nie spełniają kryteriów obrazu standardowego.
Kryteriami wykluczenia są niepełna ekspozycja języka i twarzy oraz zbyt ciemne obrazy. Aby przeprowadzić segmentację obrazu języka, otwórz LabelMe i kliknij przycisk Otwórz w lewym górnym rogu interfejsu. Wybierz folder zawierający obraz, który chcesz podzielić na segmenty, i otwórz zdjęcia.
Kliknij przycisk Utwórz wielokąt, aby śledzić punkty. Śledź kształty języka i języka, nazywaj je zgodnie z wybranymi obszarami i zapisz. Po zakończeniu śledzenia kliknij przycisk Zapisz, aby zapisać obraz w folderze danych.
Ustaw urządzenie tak, aby przechwytywało obrazy o rozmiarze 1080x1920 pikseli i upewnij się, że rozmiar wypełnionego obrazu wynosi 1920x1920 pikseli. Ręcznie prześwietlaj obrazy każdego pacjenta, aby wybrać i zachować jedno z trzech zdjęć, które zostały zrobione z powodu niekontrolowanych czynników, takich jak mruganie obiektu i blokowanie obiektywu. Aby wytrenować model, zbierz dane od 200 osób lub 600 obrazów i zachowaj około 200 obrazów, które można wykorzystać po badaniu przesiewowym.
Losowo podziel wszystkie obrazy języka zgodnie z numerem obrazu, umieszczając 70% z nich w zestawie treningowym, a 30% obrazów w folderze zestawu testowego. Pobierz i zainstaluj Anaconda Python i LabelMe z ich oficjalnych stron internetowych. Aktywuj środowisko i zakończ instalację i dostosowanie całego środowiska.
Wybierz odpowiedni model do celu badawczego. W tym badaniu do walidacji wybrano UNet, SegNet, DeepLab Version 3 i PSPNet. Następnie zbuduj model algorytmu uczenia głębokiego w zainstalowanym środowisku.
Dostosuj parametry, dostosowując wartości i ukończ trenowanie modelu przy użyciu zestawu treningowego. Korzystając z metod adnotacji LabelMe i ujednoliconego rozmiaru obrazu, skonstruuj wymagany zestaw danych w połączeniu z treścią badania. Zbadaj wyniki segmentacji i oceń wydajność modelu na podstawie czterech wskaźników: precyzji, kompletności, średniej dokładności pikseli (MPA) i MIOU, aby uzyskać bardziej kompleksową ocenę.
Porównaj wygenerowane wartości czterech modeli. Im wyższa wartość, tym wyższa dokładność segmentacji i lepsza wydajność modelu. Zgodnie z wynikami indeksu, algorytm UNet jest lepszy od innych algorytmów w MIOU, MPA, precyzji i pamiętaniu, a jego dokładność segmentacji jest również wyższa.
PSPNet jest lepszy niż DeepLab Version 3 w MIOU, MPA i recall, podczas gdy model DeepLab Version 3 jest niższy niż model segmentowy we wszystkich indeksach. W przypadku segmentacji języka zewnętrzny czerwony obszar na obrazie wynika z segmentacji języka, a wewnętrzny zielony obszar wynika z segmentacji powłoki języka. W tym badaniu algorytm jednostki dobrze sprawdził się w segmentacji języka, a dalsze badania można przeprowadzić w oparciu o algorytmy jednostek.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
W niniejszym badaniu wykorzystano algorytmy głębokiego uczenia, a konkretnie architekturę U-Net, w celu efektywnej segmentacji obrazów języka. Wyniki segmentacji zostały porównane, aby ocenić dokładność diagnostyki języka.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Obrazowanie medyczne
- Głębokie uczenie
Wstęp
- Diagnostyka języka jest tradycyjną metodą stosowaną w medycynie chińskiej.
- Głębokie uczenie wykazuje duże możliwości w zadaniach segmentacji obrazu.
- Dokładna segmentacja może zwiększyć możliwości diagnostyczne.
- Wcześniejsze metody mogły cechować się brakiem precyzji w analizie obrazów języka.
Cel badania
- Segmentacja obrazów języka przy użyciu zaawansowanych technik głębokiego uczenia.
- Porównanie wydajności różnych algorytmów segmentacji.
- Identyfikacja najskuteczniejszego algorytmu do analizy obrazów języka.
Zastosowane metody
- Wykorzystanie sieci U-Net oraz innych modeli głębokiego uczenia.
- Gromadzenie obrazów języka przy użyciu przenośnego instrumentu diagnostycznego.
- Porównanie wyników segmentacji z wielu algorytmów.
- Ocena przejrzystości i dokładności segmentacji.
Główne wyniki
- U-Net wykazała najwyższą skuteczność w segmentacji obrazów języka.
- Uzyskano wyraźniejsze wyniki segmentacji w porównaniu z metodami tradycyjnymi.
- Wydajność algorytmów była zróżnicowana, co podkreśla potrzebę starannego doboru narzędzi.
- Wyniki potwierdzają zasadność stosowania głębokiego uczenia w diagnostyce medycznej.
Wnioski
- Algorytmy głębokiego uczenia mogą znacząco poprawić segmentację obrazów języka.
- Architektura U-Net jest zalecana do przyszłych badań nad diagnostyką języka.
- Konieczne są dalsze badania w celu udoskonalenia tych technik.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Segmentacja obiektywizowanych obrazów języka z wykorzystaniem modeli uczenia głębokiego odpowiada na potrzebę standaryzowanej i powtarzalnej diagnostyki obrazowej w badaniach translacyjnych. Porównawcza ocena algorytmów segmentacji, w szczególności U-Net, zwiększa pewność prognostyczną w cyfrowym fenotypowaniu i wspiera skalowalną integrację danych w celu odkrywania biomarkerów. Ustanowienie solidnych schematów analizy obrazu jest kluczowe dla rozwoju patologii cyfrowej oraz harmonizacji danych między kohortami w badaniach i rozwoju sektora biofarmaceutycznego.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia ilościową ocenę cech fenotypowych na podstawie zestandaryzowanych obrazów języka.
- Wspiera redukcję ryzyka biologicznego poprzez dostarczanie obiektywnych i powtarzalnych wyników segmentacji obrazu.
- Ułatwia badanie biomarkerów cyfrowych w systemach istotnych dla przebiegu chorób w oparciu o postawione hipotezy.
Przesiewy i opracowanie testu
- Przygotowuje zwalidowane zestawy danych obrazowych do późniejszego przesiewania algorytmicznego i trenowania modeli.
- Poprawia powtarzalność testów dzięki jednolitym standardom akwizycji i segmentacji obrazów.
- Umożliwia skalowalną ewaluację algorytmów segmentacji w celu ponownego wykorzystania platformy i przygotowania do przesiewania.
Badania translacyjne i przedkliniczne
- Uzgadnia cyfrowe wyniki obrazowania z inicjatywami opracowywania biomarkerów translacyjnych.
- Zapewnia ciągłość od momentu akwizycji obrazów po przedkliniczną walidację cyfrowych punktów końcowych.
- Zmniejsza niejednoznaczność odczytów fenotypowych, zwiększając wartość prognostyczną w badaniach translacyjnych.
Integracja rurociągów i przepływów pracy
Niniejszy protokół segmentacji integruje się z cyfrowym przepływem pracy w patologii, obejmując akwizycję obrazów, adnotację, trenowanie modelu oraz ewaluację ilościową. Wspiera on przejście od wczesnych odkryć do badań przedklinicznych poprzez umożliwienie tworzenia standaryzowanych, wysokiej jakości zbiorów danych obrazowych.
- Biologia odkrywcza: Zapewnia obiektywną, ilościową segmentację obrazu do testowania hipotez i analizy szlaków.
- Przesiewanie: Dostarcza powtarzalne, zwalidowane zestawy obrazów do benchmarkingu algorytmów i opracowywania testów.
- Analityka: Generuje metryki precyzji, pełności oraz MIoU w celu porównania modeli segmentacji i wsparcia wyboru.
- Badania translacyjne: Łączy cyfrową analizę obrazu z dopasowaniem biomarkerów i walidacją punktów końcowych w badaniach przedklinicznych.
- Ponowne wykorzystanie w przedsiębiorstwie: Ustanawia skalowalny, ustandaryzowany przepływ pracy dla przyszłych badań w zakresie patologii cyfrowej i analiz opartych na AI.
Wpływ operacyjny i przedsiębiorstwa
- Wartość naukowa: Zwiększa pewność prognostyczną i redukuje niejednoznaczność mechanistyczną w fenotypowaniu cyfrowym.
- Wartość operacyjna: Standaryzuje akwizycję obrazów, adnotację i segmentację w celu zapewnienia powtarzalności i skalowalności.
- Wartość strategiczna: Umożliwia podejmowanie wiarygodnych decyzji typu go/no-go oraz efektywne kapitałowo rozwijanie programów cyfrowych biomarkerów.
- Wpływ na portfolio: Wspiera priorytetyzację dostosowaną do ryzyka oraz harmonizację danych między badaniami w ramach korporacyjnych działań B+R.
Uwagi dotyczące implementacji
- Wymaga wiedzy specjalistycznej z zakresu głębokiego uczenia, adnotacji obrazów oraz infrastruktury obliczeniowej.
- Zależy od dostępu do zwalidowanych instrumentów akwizycji obrazu oraz narzędzi do adnotacji.
- Wymaga międzyzespołowej standaryzacji jakości obrazu i kryteriów segmentacji.
- Konieczne jest dostosowanie protokołów do zróżnicowanych populacji pacjentów i środowisk obrazowania.
- Obecne ograniczenia obejmują brak jednolitych standardów oraz problemy z złożonym tłem obrazów.
