Обучение модели искусственного интеллекта для обнаружения диссекции аорты с использованием неконтрастных компьютерных томографических изображений у пациентов

Summary

Этот протокол описывает обучение модели искусственного интеллекта для обнаружения расслоения аорты с помощью неконтрастных компьютерных томографических изображений, что позволяет быстро и доступно проводить скрининг в клинических условиях.

Abstract

Расслоение аорты (АД) является крайним следствием нарушений сосудистого ремоделирующего гомеостаза и требует быстрой и точной идентификации в клинической практике. Этот протокол описывает модель обучения на основе искусственного интеллекта для идентификации АД с использованием неконтрастной компьютерной томографии (КТ). Наборы данных КТ грудной клетки и аортальной КТ ангиографии были собраны у пациентов с АД и не с АД в больнице третьего класса категории. Сосудистые структуры на каждом осевом изображении вручную сегментировались и аннотировались с помощью открытого программного обеспечения LabelMe для создания сегментационного набора данных для разработки и оценки моделей. Набор данных был разделён на обучающий, тестовый и валидационный наборы в соотношении 8:1:1 для обучения и валидации моделей. После разработки модели с надёжной производительностью обнаружения была создана онлайн-платформа обработки для визуализации и эффективного представления результатов. Этот подход предоставляет мощный и интеллектуальный инструмент для быстрого предварительного скрининга АД и удовлетворяет неудовлетворённую клиническую потребность в доступном раннем выявлении в различных клинических условиях.

Introduction

Расслоение аорты (АД) — это опасное для жизни острое состояние, характеризующееся тем, что кровь попадает в медиальный слой стенки аорты через разрыв в слизистой интимальной оболочке, образуя рассекающий и расширяющийся ложный просвет¹. Без своевременной диагностики и лечения уровень смертности чрезвычайно высок: уровень смертности в течение 24 часов (включая смерть до поступления в больницу) составлял 93%². Контрастно-усиленная компьютерная томография ангиографии (CTA) является золотым стандартом для диагностики АД, поскольку она позволяет чётко визуализировать истинные и ложные люмены,....

Protocol

Весь сбор данных, связанных с человеком, в данном исследовании проводился в соответствии с этическими стандартами Хельсинкской декларации и был одобрен Этическим комитетом Китайско-японской союзной больницы Университета Цзилинь (номер одобрения: 2019103004). Информированное согласие получалось письменно от всех отдельных участников или их законных опекунов до сбора их соответствующей информации. Вся личная информация испытуемых хранилась строго конфиденциально для защиты их конфиденциальности, и экспериментальные операции не проводились в процессе сбора данных.

1. Строительство набора данных<....

Results

В этом разделе представлены воспроизводимые, проверенные реализацией результаты двухклассовой модели обнаружения объектов для обнаружения AD по изображениям NCCT, строго согласованные с проверенным учебным конвейером и фреймворком оценки COCO (рисунок 1). Все метрики выводятся из оставленного тестового набора с использованием COCOeval, без сфабрикованных данных или невалидированных индикаторов.

Производительность количеств.......

Discussion

Клиницисты, особенно врачи скорой помощи, могут испытывать снижение диагностической эффективности, если пациенты обращаются с нетипичными симптомами или когда высокий объём пациентов в отделении неотложной помощи накладывает временные ограничения. В отличие от этого, модель ИИ, обученная выявлять АД на NCCT, может обеспечивать стабильную и стабильную работу даже у бессимптомных пациентов, не ограничиваясь временем чтения, что потенциально повышает точность и эффективность диагностики АД .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Архитектура Cascade R-CNN	OpenMMLab (MMDetection)	configs/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Архитектура обнаружения, используемая в фреймворке
Изображения компьютерной томографии грудной клетки (без контраста)	Самосоставленный клинический набор данных	Набор осевых изображений NCCT	Данные клинической визуализации, используемые для разработки моделей
Аннотационные файлы в формате COCO	Сгенерировано во время протокола	JSON (формат COCO)	Конвертированные файлы аннотации, используемые для обучения моделей
Предварительно тренированные гантели COCO	Зоопарк OpenMMLab MMDetection	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Используется для инициализации моделей
Архитектура HRNetV2p-W32	OpenMMLab (MMDetection)	Магистраль HRNetV2p-W32 (реализована в MMDetection 2.28.2)	Использовавшаяся основная модель
ITK-SNAP	Команда разработки ITK-SNAP	3.8.0	Используется для конвертации формата изображений и экспорта срезов
JSON-аннотационные файлы	Вывод LabelMe	Стандартный формат JSON	Содержат аннотационные координаты и метки
LabelMe	MIT CSAIL	4.8.3	Используется для ручного аннотирования изображений
MMDetection	OpenMMLab	2.28.2	Фреймворк обнаружения объектов, используемый для реализации
MMCV	OpenMMLab	1.7.2	Основная библиотека, поддерживающая MMDetection
NumPy	Разработчики NumPy	1.26.4	Библиотека численных вычислений
Видеокарта NVIDIA RTX 3080 Ti	NVIDIA	RTX 3080 Ti	Аппаратное обеспечение, используемое для обучения
OpenCV	OpenCV	4.9.0	Обработка и визуализация изображений
pycocotools	PyPI / COCO API	2.0.6	Библиотека оценки в формате COCO
Python	Фонд программного обеспечения Python	3.10.20	Среда программирования
PyTorch	PyTorch	2.0.1+CU118	Фреймворк глубокого обучения
TorchVision	PyTorch	0.15.2+CU118	Утилиты зрения
Операционная система Ubuntu	Канонический	22.04.1 LTS	ОС обучающей среды