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, расположение разрыва и степень^{вовлечённости 3}. Однако КТА требует инъекции контрастных веществ, содержащих йод, которые несут риск аллергических реакций и нефротоксичности ^4,5. Кроме того, достичь 24-часовой быстрой доступности сложно во многих первичных больницах или экстренных учреждениях. В отличие от этого, неконтрастное КТ (НКТ) не требует использования контрастных веществ, обеспечивая удобное и быстрое обследование при относительно низкой дозе радиации и более широком применении. Тем не менее, на изображениях NCCT контраст между истинным и ложным люменом, а также между интимальным лоскутом и кровью, низок, что создаёт серьёзные трудности для визуального диагноза врачами и легко приводит к пропущению или неправильному диагнозу, особенно среди менее опытных специалистов. Поэтому разработка метода, способного обеспечить высокоточное и высокочувствительное автоматическое обнаружение АД непосредственно по изображениям NCCT, имеет важную клиническую ценность и перспективы применения.

Недавние достижения в области глубокого обучения позволили точно идентифицировать патологические признаки по неконтрастным медицинским^{изображениям 6,7}. Сеть высокого разрешения (HRNet) поддерживает карты функций высокого разрешения по всей сети, тогда как сеть сжатия и возбуждения (SENet) улучшает представление признаков, моделируя межканальные зависимости⁸. Сочетание HRNet и SENet обеспечивает эффективную стратегию извлечения признаков для многомасштабного представления NCCT-изображений, что крайне важно для обнаружения тонких признаков AD, таких как интимальные лоскутки и знаки двойного просвета. Здесь концепция извлечения признаков реализована в рамках обнаружения объектов с использованием MMDetection и Каскадной региональной сверточной нейронной сети (R-CNN), что обеспечивает надёжную локализацию и классификацию рассечения аорты.

В этом исследовании модель искусственного интеллекта (ИИ) на основе HRNet+SENet использует поэтапный процесс обучения для идентификации AD по изображениям NCCT (рисунок 1). Он делает акцент на стандартизации наборов данных, многомасштабном извлечении признаков и клинической адаптивности. Цель этого метода — обеспечить надёжный подход к обнаружению АЦ, особенно в учреждениях неотложной и первичной помощи, где контрастно-усиленная визуализация ограничена или недоступна.

Рисунок 1. Рабочий процесс модели искусственного интеллекта (ИИ) для обнаружения рассечения аорты (AD). Схема учебного конвейера модели ИИ для обнаружения AD с использованием изображений неконтрастной компьютерной томографии (NCCT). Рабочий процесс включает подготовку данных (сбор и аннотация изображений, стандартизация и предварительная обработка форматов, а также разделение наборов данных), построение модели (основная основа HRNetV2p-W32, интегрированая в фреймворк обнаружения Cascade R-CNN и инициализованная с помощью предварительно обученных весов COCO), обучение модели (оптимизатор SGD, скорость обучения косинусного отжига и кросс-энтропийная потеря), оценку модели (количественные метрики и качественная визуализация) и клиническое применение. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

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

1. Сбор данных и разбиение наборов данных
   1. Собрать клинические неконтрастные КТ грудной клетки у 300 пациентов, поступивших в Китайско-японскую союзную больницу Университета Цзилинь с 1 марта 2022 года по 1 марта 2025 года, включая 150 пациентов с АД и 150 пациентов без АД, подтвержденных CTA. Включайте AD типа A и B. Все исходные данные визуализации ограничены учреждениями и недоступны публично из-за ограничений конфиденциальности пациентов и этических ограничений.
   2. Разделите наборы данных на обучающие, валидационные и тестовые наборы в соотношении 8:1:1 на уровне пациента. Убедитесь, что все срезы одного пациента остаются в одном наборе, чтобы избежать утечек данных.
   3. Проводите стратифицированную выборку на основе диагноза AD/не AD для сохранения баланса классов во всех подмножествах.
   4. Набор данных был предварительно разделен на уровне пациента, как описано выше, чтобы избежать утечки информации на уровне пациента. Для алгоритма обучения для управления случайными процессами, включая перемещение данных, онлайн-дополнение и инициализацию модели во время обучения, был принят фиксированный случайный seed 42; Это семя было независимым и не применялось к разбиению наборов данных.
      ВНИМАНИЕ: Убедитесь, что все данные обследования пациентов полностью анонимизированы перед обработкой для защиты конфиденциальности пациентов и соблюдения институциональных и нормативных требований.
2. Исключение данных
   1. Исключайте изображения с серьёзными артефактами движения.
   2. Исключать изображения с недостаточным диапазоном сканирования, которые не охватывают всю аорту.
   3. Исключать изображения с чрезмерным шумом изображения, определяемого как стандартное отклонение значений ослабления КТ, превышающее 30 HU в нисходящей грудной аорте.
3. Преобразование изображений
   1. Загрузите данные изображений DICOM и экспортируйте осевые срезы с помощью программного обеспечения для обработки изображений ITK-SNAP.
   2. Запустите ITK-SNAP и нажмите Файл → открыть основное изображение.
   3. Выберите исходную серию DICOM и нажмите Открыть.
   4. Перемещайтесь по осевым срезам с помощью слайдера среза.
   5. Экспортируйте каждый срез, нажав File → Export → Image Slice.
   6. Выберите формат PNG и укажите каталог вывода.
   7. Сохраняйте каждый срез как отдельный файл.
   8. Все экспортированные срезы изображений имелись единообразно в соответствии с фиксированным форматом IMG-[PatientID]-[SliceIndex].png, используя уникальные идентификаторы пациентов и последовательную нумерацию срезов для обеспечения прослеживаемости.
4. Настройка аннотации изображений
   1. Открывайте каждое осевое изображение с помощью программного обеспечения для аннотирования LabelMe.
   2. Запустите LabelMe и нажмите Open Directory.
   3. Перейдите к папке с осевыми изображениями и загрузите все изображения.
5. Ручная сегментация
   1. Выберите инструмент «Создать полигон» в LabelMe для аннотирования сосудистых структур (рисунок 2). Включайте просвет аорты, интимальный лоскут и видимые границы диссекции при аннотации. При маркировке вся структура аорты, включающая интимальный лоскут, была оформлена как единая интегрированная область. Аннотационная область равномерно охватывала весь видимый сегмент аорты с рассечениями и границами интимальных разрывов, без отдельной сегментации или различия истинного просвета, ложного просвета или независимых сосудистых субрегионов.
   2. Определите границы сосудов, размещая вершины вдоль структуры.
   3. Закройте многоугольник, соединив последнюю вершину с первой вершиной.
   4. Изменяйте аннотации с помощью инструмента Modify Polygon по мере необходимости.
6. Присвоение ярлыков
   1. Каждая готовая аннотация полигонов маркировалась двумя стандартизированными и согласованными по падежу категориями: «Аортальная диссекция» для рассечения аорты и «Здоровая» для нормальных изображений аорты.
   2. Убедитесь, что имена ярлыков используются последовательно во всех аннотациях и остаются идентичными по орфографии и формату во всём наборе данных.
   3. Выбирайте ярлыки из выпадающего списка или вводите вручную.
   4. Нажмите OK или Enter, чтобы подтвердить присвоение метки.
   5. Сохраняйте аннотации для генерации JSON-файлов.
      ПРИМЕЧАНИЕ: Ручная аннотация может различаться у разных операторов. Обеспечьте согласованные критерии аннотирования и, если возможно, привлекайте экспертную проверку.
7. Экспорт аннотаций
   1. Включите автосохранение для экспорта аннотаций в формате JSON.
   2. Убедитесь, что каждый JSON-файл соответствует своему исходному CT-срезу.
   3. Проверьте, что каждый аннотационный файл поддерживает соответствие один к одному с соответствующим файлом изображения.
   4. Преобразовать аннотации JSON в формат, совместимый с обучающей структурой. Аннотации LabelMe JSON конвертировались в формат COCO с помощью собственного скрипта на Python перед обучением. Конвертированные файлы (output_coco_annotations_{split}.json, где split = train, valid, test или test) загружались в MMDetection 2.x с использованием CocoDataset с LoadAnnotations(with_bbox=True).
8. Контроль качества данных
   1. Удалять недопустимые записи на основе заранее заданных критериев качества, включая отсутствующие файлы изображений, неполные аннотации или несовпадающие пары изображение–аннотация.
   2. Генерация и именование очищенных файлов аннотаций COCO для обучения, валидации и тестирования. Очищенные аннотации сохранялись в виде сплит-специфических файлов COCO JSON с использованием фиксированного правила именования output_coco_annotations_{split}.json. В частности, три выходных файла были train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json и test/output_coco_annotations_test.json, при этом соответствующие изображения хранились в train/images/, valid/images/ и test/images/. Эти файлы напрямую использовались в обучающем конвейере MMDetection.
9. Организация наборов данных
   1. Организуйте набор данных в каталоги для обучения, проверки и разделения тестирования. Набор данных был организован под корневым каталогом aortic_dissection_dataset/ и разделён на три подкаталога, специфичных для разделения: train/, valid/ и test/. Каждая подпапка содержала изображения/папку с файлами изображений, относящимися к этому разделу.
   2. Храните файлы аннотаций COCO, специфические для разделения, внутри каждого соответствующего разделённого каталога, а не в корневой директории набора данных. Аннотации обучения, валидации и тестирования сохранялись как train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json и test/output_coco_annotations_test.json соответственно. Эти файлы загружались путём настройки сплит-специфических ann_file и img_prefix путей во время настройки модели.
   3. Поддерживайте единую структуру каталогов для наборов данных по обучению, валидации и тестированию для обеспечения совместимости с обучающей структурой.
10. Обучающий конвейер данных
    1. Загрузите изображения и аннотации с ограничивающими рамками.
    2. Измените размер изображений до 512×512 при сохранении соотношения сторон.
    3. Применим случайный переворот с вероятностью 0,5.
    4. Применяйте дополнение данных с помощью явных настроек параметров. Во время обучения входные изображения изменялись до 512 × 512 пикселей (keep_ratio=True), после чего следовало дополнение: случайное переворачивание (flip_ratio=0,5), гамма-корректировка (gamma_limit=90–110, p=0,4), корректировка яркости/контраста (brightness_limit=0,15, contrast_limit=0,15, p=0,4), геометрическое преобразование (shift_limit=0,03, scale_limit=0,08, rotate_limit=10°, p=0,4) и гауссовское преобразование (var_limit=5,0–25,0, p=0,2). Валидационные и тестовые изображения только изменялись, нормализовались и наполнялись без дополнения.
    5. Применяйте все операции дополнения с единообразными настройками параметров во всех обучающих забегах для обеспечения воспроизводимости.
    6. Нормализуйте изображения с помощью среднего [123.675, 116.28, 103.53] и стандартного отклонения [58.395, 57.12, 57.375].
    7. Изображения с планшетов до кратных 32.
11. Конвейер проверки и тестирования
    1. Загрузите изображения.
    2. Измените размер изображений.
    3. Нормализуйте изображения.
    4. Изображения с планшетов до кратных 32.
12. Построение модельной структуры
    1. Постройте детектор объектов двух классов в MMDetection 2.x с использованием модифицированной конфигурации HRNetV2p-W32 + Cascade R-CNN. Детектор был реализован в MMDetection 2.x на основе официального cascade_rcnn_hrnetv2p_w32_20e_coco.py конфигурации и инициализирован соответствующими COCO-предобученными весами cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Используйте HRNetV2p-W32 в качестве основы и Cascade R-CNN в качестве детектора, как определено в конфигурации, описанной в шаге 1.12.1.
    3. Адаптировать базовую конфигурацию MMDetection для задачи из двух классов. Модель была модифицирована для задачи из двух классов, установив num_classes = 2 с названиями классов «Аортальная диссекция» и «Здоровый», а также обновив пути наборов данных для обучения, валидации и тестовых наборов. Окончательная воспроизводимая конфигурация была сохранена как AorticDissection_full_pipeline_config.py.
    4. Определите классы как расслоение аорты и здоровье.
13. Конфигурация обучения
    1. Обучайте с помощью видеокарты NVIDIA RTX 3080 Ti.
    2. Установить оптимизатор на стохастический градиентный спуск.
    3. Установите скорость обучения на 0.0001.
    4. Установить импульс на 0,9.
    5. Установите снижение веса на 0.0001.
    6. Установить количество эпох на 30.
    7. Установите размер пакета на 1 на одну видеокарту.
    8. Примените эпохальный планировщик скорости обучения косинусного отжига с чёткими настройками разогрева. Скорость обучения использовала эпохальный планировщик косинусного отжига (by_epoch=True) с линейным прогревом для первых 500 итераций (warmup_ratio=1e-4). Обучение длилось 30 эпох, при этом минимальная скорость обучения контролировалась min_lr_ratio=1e-2.
    9. Используйте FocalLoss и SmoothL1Loss.
       ПРИМЕЧАНИЕ: Протокол можно приостановить после создания и разделения набора данных. Сохраняйте все обработанные данные в безопасном месте перед выполнением действия.

Рисунок 2. Ручная аннотация AD на изображении NCCT. Репрезентативное осевое изображение NCCT, демонстрирующее ручную аннотацию AD. Аортальная область и патологические особенности, включая интимальный лоскут, обозначены многоугольником (зелёным). Это аннотированное изображение используется для обучения модели. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

2. Архитектура моделей

1. Настройка модели
   1. Постройте детектор двух классов в MMDetection 2.x с использованием исполняемого конфигурационного кода. Детектор был построен на MMDetection 2.x из официальной конфигурации cascade_rcnn_hrnetv2p_w32_20e_coco.py через Config.fromfile(...), затем модифицирован для двухклассовой задачи (num_classes=2, названия классов: «Рассечение аорты», «Здоровый») с настраиваемыми путями к набору данных. Модель создавалась с помощью build_detector(...) и init_detector(...), а финальная полная конфигурация экспортировалась в формате AorticDissection_full_pipeline_config.py.
   2. Вводите осевые изображения NCCT в модель.
   3. Выходные ограничивающие рамки, метки классов и оценки доверия (рисунок 3).
   4. Используйте сегментационные аннотации на основе полигонов, созданные при подготовке наборов данных, чтобы определить интересующие области, и преобразовывать эти аннотации в ограничивающие рамки для обучения моделей, визуализации и результата конечного обнаружения.
      ПРИМЕЧАНИЕ: Фреймворк обнаружения использует эти ограничивающие рамки для генерации итоговых результатов классификации и оценок доверия.
2. Конфигурация магистрали
   1. Используйте HRNetV2p-W32 как основную сеть.
   2. Удалите все модули плагинов для обеспечения стабильности обучения.
3. Архитектура обнаружения
   1. Используйте Cascade R-CNN для обнаружения.
4. Потеря и конфигурация якоря
   1. Настройте классификационные и регрессионные потери с явными параметрами. В разделах ROI потери по классификации были установлены как FocalLoss с use_sigmoid=True и loss_weight = 1.0. Потеря регрессии в ограничивающей коробке была установлена в SmoothL1Loss с бета = 1,0 и loss_weight = 0,5. В RPN потери по классификации также были установлены как FocalLoss с use_sigmoid=True и loss_weight = 1.0, а регрессионные потери — L1Loss с loss_weight = 1.0.
   2. Определите индивидуальные соотношения сторон якоря. Соотношения сторон якорей RPN были явно настроены на 0.5, 1.0, 2.0 и 3.0.
   3. Сохраняйте значения якорной шкалы по умолчанию из официальной базовой конфигурации MMDetection. В этом исследовании были использованы значения якорной шкалы по умолчанию из официального cascade_rcnn_hrnetv2p_w32_20e_coco.py конфигурационного файла MMDetection без дополнительных ручных изменений.
5. Определение выхода
   1. Прогнозы выхода для двух классов: расслоение аорты и здоровое.

Рисунок 3. Обнаружение AD с помощью модели ИИ. Слева: введите изображение NCCT. Справа: Результат модели, показывающий обнаружение AD, при этом предсказанная область выделена ограничивающей рамкой и соответствующей оценкой доверия. Этот рисунок демонстрирует идентификацию AD на изображениях NCCT и визуализацию результатов обнаружения. Оценка уверенности отражает прогнозную уверенность модели для обнаружения АД. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

3. Обучение моделям

1. Учебная среда
   1. Проведите обучение на видеокарте NVIDIA RTX 3080 Ti.
   2. Используйте Ubuntu 22.04.1 LTS.
   3. Используйте PyTorch 2.0.1, MMCV 1.7.2 и MMDetection 2.28.2.
2. Инициализация модели
   1. Инициализировать модель с использованием заданной предварительно обученной COCO контрольной точки HRNetV2p-W32 + Cascade R-CNN. Детектор инициализировался из предварительно обученной COCO-контрольной точки, явно указанной в конфигурации эксперимента как cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth. Этот контрольный пункт использовался в данном исследовании как файл инициализации веса для трансферного обучения.
   2. Переинициализируйте слои классификации для двух классов.
3. Гиперпараметры
   1. Установить оптимизатор на стохастический градиентный спуск.
   2. Установите скорость обучения на 0.0001.
   3. Установить импульс на 0,9.
   4. Установите снижение веса на 0.0001.
   5. Установить количество эпох на 30.
   6. Установите размер партии на 1.
   7. Настройте планировщик на косинус отжига с разогревом.
4. Проведение обучения
   1. Загрузите изображения и аннотации.
   2. Измените размер изображений до 512×512.
   3. Применяйте аугментации.
   4. Нормализуйте и подставляйте изображения.
   5. Проведите обучение модели с использованием пользовательского полного скрипта MMDetection 2.x: python full_pipeline_mmdet2_aortic_dissection.py, который загружает и адаптирует официальную базовую конфигурацию и запускает обучение с помощью функций build_detector(...) и train_detector(...).
      ПРИМЕЧАНИЕ: Скрипт был выполнен в среде MMDetection 2.28.2 со всеми установленными зависимостями, указанными в таблице материалов.
   6. Оценивайте результаты по валидационному набору после каждой эпохи.
   7. Сохраняйте стабильные условия обучения, включая порядок данных, настройки параметров и аппаратную конфигурацию для воспроизводимости.
5. Выбор модели
   1. Выберите модель с наилучшей производительностью на основе максимальной средней точности (bbox_mAP по ограничивающему боксу), полученной на валидационном наборе.
      ПРИМЕЧАНИЕ: Критерии отбора могут включать точность, чувствительность, специфичность или коэффициент кубиков в зависимости от целей исследования.
6. Итоговая оценка
   1. Оцените модель на независимом тестовом наборе с помощью COCOeval. Оценка выполнялась через скрипт full_pipeline_mmdet2_aortic_dissection.py с run_train=False и run_eval=True. Скрипт загружал выбранную контрольную точку, генерировал прогнозы на независимом тестовом наборе, конвертировал их в файлы результатов в формате COCO и вычислял метрики bbox с помощью COCOeval.
      ПРИМЕЧАНИЕ: Оценка проводилась в той же среде MMDetection 2.28.2 для обеспечения согласованности с обучающей системой.
   2. Отчитывайте метрики, включая mAP, AP50, AP75 и AP по классам.
   3. Выполняйте оценку с использованием тех же определений разделов и метрик для обеспечения согласованности между экспериментами.

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