Объективизация диагностики языка в традиционной медицине, анализ данных и применение в исследованиях
14 апреля 2023 г.
В настоящем исследовании использовались U-Net и другие алгоритмы глубокого обучения для сегментации изображения языка и сравнения результатов сегментации для изучения объективации диагностики языка.
Этот протокол использует алгоритм глубокого обучения для сегментации изображений языка и автоматически отделяет язык от всего изображения, что может быть использовано для дальнейших исследований. Этот протокол сравнивает производительность алгоритма сегментации изображений на четырех языках, чтобы выбрать базовый алгоритм, который может сегментировать язык с четким счетчиком. В этом исследовании используются запатентованные инструменты и алгоритм.
Рекомендуется использовать профессиональные приборы и владеть компьютерной техникой. Для начала подготовьте портативный лингвальный диагностический прибор для лица собственной разработки для сбора языковых изображений лиц пациентов. Введите имя пациента, пол, возраст и заболевание на странице компьютера.
Затем попросите пациента сесть прямо и расположить устройство для получения изображения, подключенное к компьютеру. Затем поместите лицо пациента в прибор для получения изображения и попросите его максимально вытянуть язык изо рта. Убедитесь с помощью изображений на экране компьютера, что пациент находится в правильном положении и что язык и лицо полностью открыты.
Нажмите кнопку съемки на экране компьютера три раза, чтобы сделать три снимка. Затем вручную выберите собранные изображения лица и языка. Отфильтруйте их в соответствии со страницей «Получение изображения» программного обеспечения.
Соберите три изображения от каждого пациента за раз и экспортируйте изображения в папку для ручного скрининга. Затем выберите стандартные, полностью экспонированные, хорошо освещенные и четкие изображения, образец для обучения и тестирования алгоритма. Удалите изображения, которые не соответствуют критериям стандартного изображения.
Критериями для исключения являются неполное воздействие языка и лица, а также слишком темные изображения. Чтобы выполнить сегментацию изображения языка, откройте LabelMe и нажмите кнопку «Открыть» в верхнем левом углу интерфейса. Выберите папку, содержащую изображение, которое нужно сегментировать, и откройте фотографии.
Нажмите кнопку «Создать многоугольник», чтобы отслеживать точки. Отслеживайте формы языка и языка, называйте их в соответствии с выбранными областями и сохраняйте. Завершив все отслеживание, нажмите «Сохранить», чтобы сохранить изображение в папке данных.
Настройте устройство на захват изображений размером 1080x1920 пикселей и убедитесь, что размер заполненного изображения составляет 1920x1920 пикселей. Вручную просмотрите изображения каждого пациента, чтобы выбрать и сохранить одно из трех изображений, которые были сделаны для неконтролируемых факторов, таких как моргание объекта и блокировка линз. Для обучения модели соберите данные от 200 человек или 600 изображений и сохраните около 200 изображений, которые можно использовать после скрининга.
Случайным образом разделите все изображения языка в соответствии с номером изображения, поместив 70% из них в тренировочный набор и 30% изображений в папку тестового набора. Загрузите и установите Anaconda, Python и LabelMe с их официальных сайтов. Активируйте среду и завершите установку и настройку всей среды.
Выберите подходящую модель для целей исследования. В этом исследовании для проверки были выбраны UNet, SegNet, DeepLab Version 3 и PSPNet. Затем постройте модель алгоритма глубокого обучения в установленной среде.
Настройте параметры, отрегулировав значения, и завершите обучение модели с помощью обучающего набора. Используя методы аннотации LabelMe и единого размера изображения, сконструируйте необходимый набор данных в сочетании с содержанием исследования. Изучите результаты сегментации и оцените производительность модели на основе четырех показателей: точности, отзыва, средней точности пикселей или MPA и MIOU, чтобы получить более полную оценку.
Сравните сгенерированные значения четырех моделей. Чем выше значение, тем выше точность сегментации и тем лучше производительность модели. Согласно результатам индекса, алгоритм UNet превосходит другие алгоритмы по MIOU, MPA, точности и отзыву, а также выше точность сегментации.
PSPNet лучше, чем DeepLab Version 3 в MIOU, MPA и отзыве, в то время как модель DeepLab Version 3 ниже, чем сегментная модель во всех индексах. При сегментации языка внешняя красная область на изображении является результатом сегментации языка, а внутренняя зеленая область является результатом сегментации покрытия языка. В этом исследовании модульный алгоритм хорошо показал себя при сегментации языка, и дальнейшие исследования могут быть проведены на основе единичных алгоритмов.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данном исследовании используются алгоритмы глубокого обучения, в частности U-Net, для эффективной сегментации изображений языка. Результаты сегментации сравниваются для оценки точности диагностики по языку.
Основные компоненты исследования
Область науки
- Нейробиология
- Медицинская визуализация
- Глубокое обучение
Теоретическая справка
- Диагностика по языку является традиционным методом в китайской медицине.
- Глубокое обучение показало перспективные результаты в задачах сегментации изображений.
- Точная сегментация может расширить диагностические возможности.
- Предыдущим методам может не хватать точности при анализе изображений языка.
Цель исследования
- Сегментировать изображения языка с использованием передовых методов глубокого обучения.
- Сравнить эффективность различных алгоритмов сегментации.
- Определить наиболее эффективный алгоритм для анализа изображений языка.
Используемые методы
- Использование U-Net и других моделей глубокого обучения.
- Сбор изображений языка с помощью портативного диагностического прибора.
- Сравнение результатов сегментации, полученных с помощью нескольких алгоритмов.
- Оценка четкости и точности сегментации.
Основные результаты
- U-Net продемонстрировал более высокую эффективность при сегментации изображений языка.
- По сравнению с традиционными методами были получены более четкие результаты сегментации.
- Эффективность алгоритмов варьировалась, что подчеркивает необходимость тщательного подбора.
- Результаты подтверждают целесообразность использования глубокого обучения в медицинской диагностике.
Выводы
- Алгоритмы глубокого обучения могут значительно улучшить сегментацию изображений языка.
- U-Net рекомендуется для будущих исследований в области диагностики по языку.
- Необходимы дальнейшие исследования для совершенствования этих методов.
Часто задаваемые вопросы
Значимость для промышленности
Сегментация объективированных изображений языка с использованием моделей глубокого обучения отвечает потребности в стандартизированной и воспроизводимой диагностической визуализации в трансляционных исследованиях. Сравнительная оценка алгоритмов сегментации, в частности U-Net, повышает прогностическую достоверность цифрового фенотипирования и способствует масштабируемой интеграции данных для поиска биомаркеров. Создание надежных рабочих процессов анализа изображений имеет решающее значение для развития цифровой патологии и гармонизации данных между когортами в биофармацевтических исследованиях и разработках.
Стратегические применения в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Позволяет проводить количественную оценку фенотипических признаков по стандартизированным изображениям языка.
- Способствует снижению биологических рисков за счет получения объективных и воспроизводимых результатов сегментации изображений.
- Облегчает поиск цифровых биомаркеров в системах, значимых для изучения заболеваний, на основе выдвинутых гипотез.
Скрининг и разработка анализа
- Подготавливает валидированные наборы изображений для последующего алгоритмического скрининга и обучения моделей.
- Повышает воспроизводимость анализа за счет единообразных стандартов получения и сегментации изображений.
- Обеспечивает масштабируемую оценку алгоритмов сегментации для повторного использования платформы и готовности к скринингу.
Трансляционные и доклинические исследования
- Приводит результаты цифровой визуализации в соответствие с инициативами по разработке трансляционных биомаркеров.
- Обеспечивает преемственность процесса — от получения изображений до доклинической валидации цифровых конечных точек.
- Снижает неопределенность при считывании фенотипических признаков, повышая прогностическую ценность трансляционных исследований.
Интеграция конвейеров и рабочих процессов
Данный протокол сегментации интегрируется в рабочий процесс цифровой патологии, охватывающий получение изображений, аннотирование, обучение моделей и количественную оценку. Он поддерживает переход от этапа первичных открытий к доклиническим исследованиям, обеспечивая создание стандартизированных высококачественных наборов данных изображений.
- Биология открытий: обеспечивает объективную количественную сегментацию изображений для проверки гипотез и анализа путей.
- Скрининг: предоставляет воспроизводимые валидированные наборы изображений для бенчмаркинга алгоритмов и разработки анализов.
- Аналитика: генерирует метрики точности (precision), полноты (recall) и MIoU для сравнения моделей сегментации и обоснованного выбора наилучшей из них.
- Трансляционные исследования: связывают цифровой анализ изображений с согласованием биомаркеров и валидацией доклинических конечных точек.
- Корпоративное повторное использование: создает масштабируемый стандартизированный рабочий процесс для будущих исследований в области цифровой патологии и ИИ.
Операционное и корпоративное воздействие
- Научная ценность: Повышает точность прогнозов и снижает механистическую неопределенность при цифровом фенотипировании.
- Операционная ценность: Стандартизирует сбор, аннотирование и сегментацию изображений для обеспечения воспроизводимости и масштабируемости.
- Стратегическая ценность: Позволяет принимать обоснованные решения о продолжении или прекращении разработки (go/no-go) и эффективно использовать капитал при продвижении программ по созданию цифровых биомаркеров.
- Влияние на портфель: Обеспечивает приоритизацию с учетом рисков и гармонизацию данных между различными исследованиями для корпоративных НИОКР.
Особенности реализации
- Требуется опыт в области глубокого обучения, аннотирования изображений и вычислительной инфраструктуры.
- Зависит от доступа к валидированным приборам для получения изображений и инструментам аннотирования.
- Необходима межкомандная стандартизация качества изображений и критериев сегментации.
- Протоколы должны быть адаптированы для различных групп пациентов и условий визуализации.
- Текущие ограничения включают отсутствие единых стандартов и сложности при работе со сложным фоном изображений.
