Swin-PSAxialNet: эффективный метод сегментации нескольких органов
5 июля 2024 г.
Настоящий протокол описывает эффективный метод многоорганной сегментации под названием Swin-PSAxialNet, который достиг превосходной точности по сравнению с предыдущими методами сегментации. Ключевые этапы этой процедуры включают сбор наборов данных, настройку среды, предварительную обработку данных, обучение и сравнение моделей, а также эксперименты по абляции.
Наши исследования в первую очередь сосредоточены на применении искусственного интеллекта в медицинских областях, включая сегментацию медицинских изображений, медицинские мультимодальные модели, большие языковые модели и биосенсоры.
Последние достижения в нашей области включают в себя модели сегментации на основе нулевой выборки, такие как SAM, и модели последовательностей, такие как Wish member.
К распространенным проблемам, с которыми сталкиваются современные модели глубокого обучения, относятся недостаточный объем данных и низкое качество, а также необходимость улучшения обобщения, возможностей и надежности моделей.
Наш протокол представляет блок PSA и блок SPD в качестве модулей извлечения информации, предлагая более широкие возможности извлечения информации и более низкие вычислительные затраты по сравнению с другими методами.
Будущие цели нашей библиотеки включают разработку универсальных больших медицинских моделей, исследования алгоритмов глубокого обучения с несколькими моделями и проектирование интеллектуальных медицинских носимых устройств.
[Рассказчик] Для начала загрузите набор данных Amos-2022 и объясните, какие изображения будут использоваться для анализа. Выберите 160 изображений из набора данных для обучающего набора данных и 40 изображений для тестового набора данных. На терминале выполните эту команду, чтобы переместить директорию, содержащую исходные данные. Затем создайте файл dataset.json в каталоге необработанных данных и введите информацию о наборе данных, такую как количество обучающих и тестовых изображений и имя метки. Для настройки окружения установите окружение PaddlePaddle и соответствующую версию Kunlun. Клонируйте репозиторий PaddleSeg с GitHub. В терминале выполните эту команду для перехода в каталог MedicalSeg. Чтобы установить требования проекта, используйте эту команду. Затем измените файл конфигурации yml, включив в него такие параметры, как data_root, batch_size, модель, train_dataset, val_dataset, оптимизатор, LR_scheduler и потери. Укажите необходимые параметры для выполнения с помощью этой команды. Настройте процесс обучения сети NNU с размером пакета в две и 80 000 итераций. Регистрируйте каждые 20 итераций и используйте точность FP 16. Установите интервал сохранения через каждые 1000 итераций. Затем запустите Train.py. Добавьте параметр use_VDL для визуализации параметров DL визуального списка. Создайте четыре yml-файла, укажите свертки от одной до четырех и обучите модель с помощью пятикратной перекрестной валидации. Затем включите блок PSAA во всю сеть, сохраняя то же самое, что и на этапе обучения. Установите форму объема и включите осевое внимание в значение true. Выполните команду single fold train.py. Оцените один фолд и настройте параметры. Обрабатывайте ансамбль в пять этапов. Swin-PSAxialNet демонстрирует превосходную производительность сегментации органов брюшной полости по сравнению с основными алгоритмами сегментации мультиорганов. Кроме того, Swin-PSAxialNet преуспел в сегментации границ, достигнув самого низкого среднего коэффициента HD 95 среди всех сравниваемых алгоритмов. Внедрение механизма совместного использования параметров и усовершенствование структуры трансформатора способствовали значительному повышению сложности модели и скорости вывода по сравнению с другими методами. Комплексные эксперименты по абляции показали более высокую производительность сегментации по сравнению со стандартной сетью NNU, подчеркнув преимущества блока PSAA для повышения дискретизации.
Обзор
В данном протоколе описывается эффективный метод сегментации нескольких органов, известный как Swin-PSAxialNet, который демонстрирует более высокую точность по сравнению с предыдущими методами. Основные этапы включают сбор набора данных, настройку среды, предварительную обработку данных, обучение модели и проведение экспериментов по абляции.
Основные компоненты исследования
Область науки
- Нейробиология
- Сегментация изображений
- Машинное обучение
Теоретические основы
- Сегментация имеет решающее значение для анализа изображений нескольких органов.
- Предыдущие методы имеют ограничения по точности и эффективности.
- Достижения в области глубокого обучения могут повысить качество сегментации.
- Анализ нескольких органов требует надежных и точных методов.
Цель исследования
- Представить Swin-PSAxialNet для улучшения сегментации.
- Сравнить его эффективность с существующими методами.
- Подтвердить эффективность метода с помощью комплексных экспериментов.
Используемые методы
- Сбор наборов данных из различных источников.
- Настройка вычислительной среды.
- Предобработка данных для улучшения обучения модели.
- Эксперименты по абляции для оценки компонентов модели.
Основные результаты
- Swin-PSAxialNet обеспечил более высокую точность по сравнению с предыдущими методами.
- Обучение модели продемонстрировало эффективность с точки зрения времени обработки.
- Абляционные исследования подчеркнули важность конкретных компонентов.
- Результаты указывают на потенциал для более широкого применения в анализе изображений.
Выводы
- Swin-PSAxialNet представляет собой перспективный инструмент для сегментации нескольких органов.
- Будущие исследования могут быть направлены на изучение возможности его применения в клинических условиях.
- Необходимы дальнейшие усовершенствования методов сегментации.
Часто задаваемые вопросы
Практическая значимость для отрасли
Надежная сегментация нескольких органов на КТ-снимках брюшной полости имеет решающее значение для обеспечения количественных и воспроизводимых результатов в доклинических и трансляционных исследованиях. Swin-PSAxialNet повышает точность сегментации и вычислительную эффективность, поддерживая высокопроизводительные конвейеры анализа изображений. Эта возможность повышает прогностическую достоверность и стандартизацию на ключевых этапах поиска лекарственных средств и разработки биомаркеров.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичное обнаружение и валидация мишени
- Обеспечивает точное анатомическое разграничение для исследований специфических эффектов лекарственных средств на органы, основанных на выдвинутых гипотезах.
- Способствует снижению биологических рисков, предоставляя точную сегментацию нескольких органов для валидации мишеней.
- Облегчает приоритизацию портфеля препаратов за счет создания воспроизводимых количественных конечных точек визуализации.
Скрининг и разработка анализа
- Подготовка валидированных карт сегментации органов для последующих количественных методов анализа изображений.
- Повышение воспроизводимости и стандартизации анализа за счет автоматизированной высокоточной сегментации.
- Обеспечение возможности масштабируемого скрининга эффектов соединений в нескольких органах на наборах данных визуализации.
Трансляционные и доклинические исследования
- Сопоставляет результаты визуализации с анатомическими особенностями, значимыми для заболевания, для проведения трансляционных исследований биомаркеров.
- Обеспечивает преемственность от этапа поисковой визуализации до доклинической валидации за счет стандартизации результатов сегментации.
- Снижает риски при переходе к конечным точкам на основе визуализации за счет повышения точности сегментации.
Интеграция конвейеров и рабочих процессов
Swin-PSAxialNet интегрируется в рабочие процессы анализа изображений, охватывающие этапы от первичного поиска до идентификации ведущих соединений и доклинических исследований, где требуется количественная сегментация органов.
- Биология открытий: обеспечивает высокоточную сегментацию для проверки анатомических гипотез и уточнения органоспецифических путей.
- Скрининг: предоставляет воспроизводимые количественные результаты сегментации для оценки соединений при проведении скринингов на основе визуализации.
- Аналитика: формирует стандартизированные измерения и показатели для сравнения различных условий и статистического анализа.
- Трансляционные исследования: позволяет сопоставлять биомаркеры визуализации с доклиническими и клиническими конечными точками при наличии соответствующих данных визуализации.
- Корпоративное повторное использование: предлагает масштабируемую, многократно используемую возможность сегментации для различных наборов данных визуализации в рамках различных программ.
Операционное и корпоративное воздействие
- Научная ценность: Повышает достоверность прогнозов и снижает неопределенность при валидации мишеней на основе визуализации.
- Операционная ценность: Улучшает стандартизацию, воспроизводимость и вычислительную эффективность рабочих процессов анализа изображений.
- Стратегическая ценность: Способствует принятию более обоснованных решений о продолжении или прекращении разработки («go/no-go») и повышает эффективность использования капитала за счет предоставления надежных конечных точек визуализации.
- Влияние на портфель: Позволяет осуществлять приоритезацию программ на основе визуализации и трансляционных исследований с учетом рисков.
Особенности реализации
- Требуется опыт в области анализа медицинских изображений и развертывания моделей глубокого обучения.
- Необходим доступ к высокопроизводительной вычислительной инфраструктуре для обучения и применения моделей.
- Требуется межкомандная стандартизация протоколов визуализации и форматов данных.
- Может потребоваться адаптация для различных модальностей визуализации или систем органов, помимо КТ органов брюшной полости.
- Эффективность зависит от качества и разнообразия обучающих наборов данных, использованных в исследовании.
