İnsan Hastalardan Kontrastsız Hesaplamalı Tomografi Görüntüleri Kullanarak Aort Diseksiyonu Tespiti için Yapay Zeka Modeli Eğitilmesi

Özet

Bu protokol, yapay zeka modelinin kontrastsız bilgisayarlı tomografi görüntüleri kullanılarak aort diseksiyonunu tespit etmesi için eğitilmesini ve klinik ortamlarda hızlı ve erişilebilir tarama yapılmasını mümkün kılmasını açıklar.

Özet

Aort diseksiyon (AD), vasküler remodelasyon homeostazının bozmasının aşırı bir sonucudur ve klinik uygulamada hızlı ve doğru bir tanımlama gerektirir. Bu protokol, kontrastsız bilgisayarlı tomografi (BT) kullanarak AD tanımlaması için yapay zeka tabanlı bir öğrenme modelini tanımlar. Göğüs BT ve aort BT anjiyografi veri setleri, AD ve AD olmayan hastalardan Grade A üçüncü sınıf bir hastanede toplanmıştır. Her eksenel görüntüdeki damar yapıları, model geliştirme ve değerlendirme için segmentasyon veri seti oluşturmak amacıyla açık kaynak yazılımı LabelMe kullanılarak manuel olarak segmentlenip notlandı. Veri seti, model eğitimi ve doğrulama için 8:1:1 oranında eğitim, test ve doğrulama setlerine ayrıldı. Sağlam algılama performansına sahip bir modelin geliştirilmesinin ardından, sonuçları görselleştirmek ve etkili şekilde sunmak için çevrimiçi bir işlem platformu oluşturuldu. Bu yaklaşım, AD'nin hızlı ve ön taraması için güçlü ve akıllı bir araç sunar ve çeşitli klinik ortamlarda erişilebilir erken tespit ihtiyacını karşılayamamış klinik ihtiyacı karşılar.

Giriş

Aort diseksiyon (AD), intimal azardaki bir yırtık aracılığıyla aort duvarının medial tabakasına kanın girmesiyle karakterize edilen ve kesici ve genişleyen sahte lümenin oluşmasıyla karakterize edilen hayati tehlike doğuran akut^{bir durumdur 1}. Zamanında teşhis ve tedavi olmadan ölüm oranı son derece yüksektir; 24 saat içinde ölüm oranı (hastaneye ulaşmadan önceki ölüm dahil) %^93'tü2. Kontrastlı bilgisayarlı tomografi anjiyografi (CTA), AD teşhisinde altın standarttır; çünkü gerçek ve sahte lümenleri, yırtığın yerini ve tutulma boyutunu net^{görselleştirebilir.} Ancak CTA, alerjik reaksiyon ve nefrotoksisite riski taşıyan iyot içeren kontrast maddelerinin enjeksiyonunu^{gerektirir 4,5}. Ayrıca, birçok birincil hastanede veya acil durum ortamında 24 saat hızlı ulaşım sağlamak zordur. Buna karşılık, kontrastsız BT (NCCT) taraması kontrast madde gerektirmez; bu da nispeten düşük radyasyon dozu ve daha geniş uygulama ile pratik ve hızlı bir muayene sunar. Buna rağmen, NCCT görüntülerinde gerçek ve sahte lümenler ile samimi flep ile kan arasındaki fark düşüktür; bu da doktorların görsel tanısında önemli zorluklar yaratır ve özellikle daha az deneyimli klinisyenler arasında kolayca kaçırılır veya yanlış teşhislere yol açar. Bu nedenle, doğrudan NCCT görüntülerinden AD'nin yüksek hassasiyetli, yüksek hassasiyetli otomatik tespitini sağlayabilen bir tekniğin geliştirilmesi, önemli klinik değer ve uygulama olanaklarına sahiptir.

Derin öğrenmedeki son gelişmeler, kontrastsız tıbbi görüntülerden patolojik özelliklerin doğru şekilde tanımlanmasını^{sağlamıştır 6,7}. Yüksek çözünürlüklü ağ (HRNet), ağ genelinde yüksek çözünürlüklü özellik haritalarını korurken, sıkıştırma ve uyarılma ağı (SENet) kanallar arası bağımlılıkları modelleyerek özellik^{temsilini artırır 8}. HRNet ve SENet'in birleşimi, NCCT görüntülerinin çok ölçekli temsili için etkili bir özellik çıkarma stratejisi sağlar; bu, intimal flaplar ve çift lümenli işaretler gibi ince AD işaretlerini tespit etmek için kritik öneme sahiptir. Burada, bu özellik çıkarma kavramı, MMDetection ve Cascade Region tabanlı Konvolüsyon Sinir Ağı (R-CNN) kullanılarak bir nesne tespit çerçevesi içinde uygulanır ve aort diseksiyonunun sağlam yerelleştirilmesi ve sınıflandırılmasını sağlar.

Bu çalışmada, HRNet+SENet tabanlı yapay zeka (YD) modeli, NCCT görüntülerinden AD'yi tanımlamak için adımlı bir eğitim süreci kullanmaktadır (Şekil 1). Veri seti standartlaştırılması, çok ölçekli özellik çıkarımı ve klinik uyum sağlama konusuna vurgu yapar. Bu yöntemin amacı, özellikle kontrastlı görüntülemenin sınırlı veya mevcut olmadığı acil ve birinci basamak bakım ortamlarında AD tespiti için güvenilir bir yaklaşım sağlamaktır.

Şekil 1. Aort diseksiyonu (AD) tespiti için yapay zeka (AI) modelinin iş akışı. Kontrastsız bilgisayarlı tomografi (NCCT) görüntüleri kullanılarak AD tespiti için yapay zeka modeli eğitim boru hattının şeması. İş akışı veri hazırlama (görüntü toplama ve notlama, format standartlaştırması ve ön işleme, veri seti bölme), model oluşturma (HRNetV2p-W32 omurgası, Cascade R-CNN tespit çerçevesine entegre edilmiş ve COCO önceden eğitilmiş ağırlıklarla başlatılmış), model eğitimi (SGD optimizatoru, kosinüs tavlama öğrenme oranı ve çapraz entropi kaybı), model değerlendirmesi (nicel metrikler ve nitel görselleştirme) ve klinik uygulamayı içerir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Protokol

Bu çalışmadaki tüm insanla ilgili veri toplama, Helsinki Bildirgesi'nin etik standartlarına uygun olarak gerçekleştirildi ve Jilin Üniversitesi Çin-Japonya Birlik Hastanesi Etik Komitesi tarafından onaylandı (Onay Numarası: 2019103004). Bilgilendirilmiş onay, ilgili bilgiler toplanmadan önce tüm bireysel katılımcılardan veya yasal vasilerinden yazılı olarak alınmıştır. Deneklerin tüm kişisel bilgileri gizliliklerini korumak için sıkı bir şekilde gizli tutuldu ve veri toplama sürecinde denekler üzerinde herhangi bir deneysel işlem yapılmadı.

1. Veri Seti Oluşturma

1. Veri toplama ve veri seti bölümlendirmesi
   1. 1 Mart 2022 ile 1 Mart 2025 arasında Jilin Üniversitesi Çin-Japonya Birlik Hastanesi'ne yatırılan 300 hastadan klinik kontrastsız göğüs BT görüntüleri toplanın; bunların arasında 150 AD hastası ve AD olmayan 150 hasta CT tarafından doğrulanmıştır. Tip A ve tip B AD'leri dahil edin. Tüm ham görüntüleme verileri kurum tarafından kısıtlıdır ve hasta gizliliği ile etik kısıtlamalar nedeniyle kamuya açık değildir.
   2. Veri setini, hasta düzeyinde 8:1:1 oranında eğitim, doğrulama ve test setlerine ayırın. Veri sızıntısını önlemek için tek hastadan tüm dilimlerin tek bir set içinde kalmasını sağlayın.
   3. Tüm alt kümeler arasında sınıf dengesini korumak için AD/AD olmayan tanına dayalı stratifikasyonlu örnekleme gerçekleştirin.
   4. Veri seti, hasta düzeyinde bilgi sızıntısını önlemek için yukarıda açıklandığı gibi hasta seviyesinde önceden bölünmüştür. Eğitim algoritması, veri karıştırma, çevrimiçi artırma ve model başlatma gibi rastgele süreçleri kontrol etmek için 42'lik sabit rastgele tohum benimsendi; Bu tohum bağımsızdı ve veri seti bölünmesine uygulanmadı.
      DIKKAT: Hasta görüntüleme verilerinin hasta mahremiyetini korumak ve kurumsal ile düzenleyici yönergelere uymak için işlemeden önce tamamen anonimleştirildiğinden emin olun.
2. Veri hariç tutulması
   1. Ciddi hareket artefaktları olan görüntüleri hariç tutun.
   2. Tüm aortayı kaplamayan tarama aralığı yetersiz olan görüntüleri hariç tutun.
   3. Aşırı görüntü gürültüsü olan görüntüler, inen torakik aortada 30 HU'yu aşan BT zayıflama değerlerinin standart sapması olarak tanımlanır.
3. Görüntü dönüşümü
   1. ITK-SNAP görüntü işleme yazılımı kullanarak DICOM görüntü verilerini yükleyin ve eksenel görüntü dilimlerini dışa aktarın.
   2. ITK-SNAP'ı başlatın ve Ana Görüntüyü Aç → Dosya'ya tıklayın.
   3. Kaynak DICOM serisini seçin ve Aç tuşuna tıklayın.
   4. Dilim kaydırıcısını kullanarak eksenel dilimler arasında gezin.
   5. Her dilimi File → Image Slice'a tıklayarak ihracat → Image Slice'a tıklayın.
   6. PNG formatını seçin ve çıkış dizinini belirtin.
   7. Her dilimi ayrı bir dosya olarak kaydedin.
   8. Dışa aktarılan tüm görüntü dilimleri, izlenebilirliği garanti etmek için benzersiz hasta tanımlayıcıları ve ardışık dilim numaralandırması benimsenen sabit IMG-[PatientID]-[SliceIndex].png formatına uygun şekilde eşit şekilde adlandırıldı.
4. Görsel açıklama kurulumu
   1. Her eksenel görüntüyü LabelMe açıklama yazılımı ile açın.
   2. LabelMe'yi başlatın ve Open Directory'ye tıklayın.
   3. Eksenel görüntülerin bulunduğu klasöre gidin ve tüm görüntüleri yükleyin.
5. Manuel segmentasyon
   1. Damar yapılarını açıklamak için LabelMe'de Çokgen Oluştur aracını seçin (Şekil 2). Açıklama sırasında aort lümeni, intimal flep ve görünür diseksiyon sınırlarını ekleyin. Etiketleme sırasında, intimal flep'i içeren tüm aort yapısı tek bir entegre bölge olarak şekillendirilmiştir. Açıklama kapsamı, diseksiyon lezyonları ve intimal yırtık sınırlarıyla birlikte tam görünür aort segmentini eşit şekilde kapsıyordu; gerçek lümen, sahte lümen veya bağımsız damar alt bölgeleri arasında ayrı segmentasyon veya ayrım yapılmadı.
   2. Gövde sınırlarını, yapı boyunca köşeler yerleştirerek tanımlayın.
   3. Son düğümü ilk köşeye bağlayarak çokgeni kapatın.
   4. Açıklamaları Değiştirme Çokgonu Değiştir aracıyla gerektiğinde değiştirin.
6. Plak şirketi atanması
   1. Her bitmiş çokgen açıklaması, iki standart ve duruma uygun kategoriyle etiketlendi: aort diseksiyonu için "Aort Diseksiyonu" ve normal aort görüntüleri için "Sağlıklı".
   2. Tüm açıklamalarda etiket isimlerinin tutarlı şekilde kullanılmasını ve veri seti boyunca yazım ve biçim açısından aynı kalmasını sağlayın.
   3. Açılır menüden etiketleri seçin veya manuel olarak girin.
   4. Etiket atamasını onaylamak için Tamam'a tıklayın veya Enter tuşuna basın.
   5. JSON dosyaları oluşturmak için notları kaydedin.
      NOT: Manuel açıklama operatörler arasında değişiklik gösterebilir. Tutarlı açıklama kriterlerini sağlayın ve mümkünse uzman doğrulamasını içerin.
7. Açıklama ihracatı
   1. JSON formatında dışa aktarmak için Otomatik Kaydetme'yi etkinleştirin.
   2. Her JSON dosyasının orijinal CT dilimine karşılık geldiğinden emin olun.
   3. Her annotasyon dosyasının, ilgili görüntü dosyasıyla bire bir uyum sakladığını doğrulayın.
   4. JSON açıklamalarını eğitim çerçevesiyle uyumlu bir formata dönüştürün. LabelMe JSON notasyonları, eğitimden önce özel bir Python betiği aracılığıyla COCO formatına dönüştürüldü. Dönüştürülmüş dosyalar (output_coco_annotations_{split}.json, burada split = train, geçerli veya test) MMDetection 2.x'te CocoDataset ile LoadAnnotations(with_bbox=True) ile yüklendi.
8. Veri kalitesi kontrolü
   1. Eksik resim dosyaları, eksik açıklamalar veya uyumsuz görüntü–açıklama çiftleri dahil olmak üzere önceden tanımlanmış kalite kriterlerine dayalı geçersiz girişleri kaldırın.
   2. Temizlenmiş COCO açıklama dosyalarının eğitim, doğrulama ve test için oluşturulması ve adlandırılması. Temizlenmiş açıklamalar, sabit adlandırma kuralı output_coco_annotations_{split}.json kullanılarak bölünmeye özel COCO JSON dosyaları olarak kaydedildi. Özellikle, üç çıktı dosyası train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json ve test/output_coco_annotations_test.json idi; ilgili görüntüler train/images/, valid/images/ ve test/images/ içinde depolanıyordu. Bu dosyalar doğrudan MMDetection eğitim boru hattı tarafından kullanıldı.
9. Veri seti organizasyonu
   1. Veri setini eğitme, doğrulama ve test bölünmüş dizinlere düzenleyin. Veri seti, kök dizin aortic_dissection_dataset/ altında düzenlendi ve üç bölünmüş alt dizine ayrıldı: train/, valid/ ve test/. Her alt dizin, o bölünmeye ait görüntü dosyalarının bulunduğu bir görsel/klasör içeriyordu.
   2. Bölünmüş COCO açıklama dosyalarını, veri seti kök dizininde değil, her ilgili bölünmüş dizinde sakla. Eğitim, doğrulama ve test notları sırasıyla train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json ve test/output_coco_annotations_test.json olarak kaydedildi. Bu dosyalar, model kurulumu sırasında bölünmüş ann_file ve img_prefix yolları yapılandırılarak yükleniyordu.
   3. Eğitim çerçevesiyle uyumluluğu sağlamak için eğitim, doğrulama ve test veri setleri arasında tutarlı bir dizin yapısı korumak.
10. Eğitim veri boru hattı
    1. Resimleri ve sınırlı kutu notlarını yükleyin.
    2. Görüntüleri 512×512 boyutuna değiştirerek en-boy oranını koruyun.
    3. Rastgele flip uygulayın, olasılık 0.5.
    4. Veri artırımı için açık parametre ayarları kullanılır. Eğitim sırasında, girdi görüntüleri 512 × 512 piksele (keep_ratio=Doğru) boyutlandırıldı, ardından büyütme yapıldı: rastgele çevirme (flip_ratio=0.5), gama ayarlaması (gamma_limit=90–110, p=0.4), parlaklık/kontrast ayarlaması (brightness_limit=0.15, contrast_limit=0.15, p=0.4), geometrik dönüşüm (shift_limit=0.03, scale_limit=0.08, rotate_limit=10°, p=0.4) ve Gauss gürültüsü (var_limit=5.0–25.0, p=0.2). Doğrulama ve test görüntüleri sadece boyutlandırılmış, normalleştirilmiş ve artırılmış şekilde doldurulmuştur.
    5. Tüm artırma işlemlerini eğitim çalışmaları boyunca tutarlı parametre ayarlarıyla uygulayarak tekrarlanabilirliği garanti edin.
    6. Ortalama [123.675, 116.28, 103.53] ve standart sapma [58.395, 57.12, 57.375] kullanarak görüntüleri normalleştirin.
    7. Görüntüleri 32'nin katına doldurun.
11. Doğrulama ve test süreci
    1. Görüntüleri yükle.
    2. Görüntüleri boyutlandırın.
    3. Görüntüleri normalleştirin.
    4. Görüntüleri 32'nin katına doldurun.
12. Model çerçeve yapısı
    1. MMDetection 2.x'te modifiye edilmiş HRNetV2p-W32 + Cascade R-CNN yapılandırmasını kullanarak iki sınıflı bir nesne dedektörü oluşturun. Dedektör, resmi yapılandırma yapısına göre MMDetection 2.x cascade_rcnn_hrnetv2p_w32_20e_coco.py uygulandı ve karşılık gelen COCO tarafından önceden eğitilmiş ağırlıklarla başlatıldı cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Omurga olarak HRNetV2p-W32'yi, dedektör olarak ise Cascade R-CNN'i Adım 1.12.1'de tanımlanan yapılandırmada tanımlandığı şekilde kullanın.
    3. İki sınıflı görev için temel MMDetection konfigürasyonunu uyarlayın. Model, iki sınıflı görev için num_classes = 2 olarak "Aort Diseksiyonu" ve "Sağlıklı" sınıf isimleriyle ayarlandı ve veri seti yolları eğitim, doğrulama ve test setleri için güncellendi. Son tekrarlanabilir konfigürasyon AorticDissection_full_pipeline_config.py olarak kaydedildi.
    4. Sınıfları Aort Diseksiyonu ve Sağlıklı olarak tanımlayın.
13. Eğitim konfigürasyonu
    1. NVIDIA RTX 3080 Ti GPU ile eğitim verin.
    2. Optimizer'ı stokastik gradyan inişe ayarlayın.
    3. Öğrenme hızını 0.0001 olarak ayarlayın.
    4. Momentumu 0.9'a ayarlayın.
    5. Ağırlık düşüşünü 0.0001'e ayarlayın.
    6. Dönem sayısını 30'a ayarlayın.
    7. GPU başına toplu sayı 1 olarak ayarlayın.
    8. Açık ısınma ayarlarıyla epoch tabanlı kosinüs annealing öğrenme hızı zamanlayıcısı uygulayın. Öğrenme hızı, ilk 500 iterasyon için doğrusal ısınma ile (warmup_ratio=1e-4) epoch tabanlı kosinüs tavlama zamanlayıcısı (by_epoch=True) kullandı. Eğitim 30 dönem sürdü ve minimum öğrenme hızı min_lr_ratio=1e-2 ile kontrol edildi.
    9. FocalLoss ve SmoothL1Loss kullanın.
       NOT: Protokol, veri seti oluşturulduktan ve bölündükten sonra duraklatılabilir. İşleme geçen tüm verileri güvenli bir şekilde saklayıp ilerlemeye başlayın.

Şekil 2. NCCT görüntüsünde AD'nin manuel notasyonu. AD'nin manuel notasyonunu gösteren temsil eksenel NCCT görüntüsü. Aort bölgesi ve patolojik özellikler, intimal kapak dahil, bir çokgen (yeşil) kullanılarak belirtilmiştir. Bu notlu görüntü model eğitimi için kullanılır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Model Mimarisi

1. Model kurulumu
   1. MMDetection 2.x'te çalıştırılabilir yapılandırma kodu kullanarak iki sınıflı dedektör oluşturun. Detektör, resmi cascade_rcnn_hrnetv2p_w32_20e_coco.py yapılandırmasından Config.fromfile(...) üzerinden MMDetection 2.x sürümünde inşa edildi, ardından iki sınıflı görev için (num_classes=2, sınıf adları: "Aort Diseksiyonu", "Sağlıklı") özelleştirilmiş veri seti yolları ile değiştirildi. Model, build_detector(...) ve init_detector(...) ile oluşturuldu, son tam yapılandırma ise AorticDissection_full_pipeline_config.py olarak dışa aktarıldı.
   2. Aksiyel NCCT görüntülerini modele girin.
   3. Sınırlayıcı kutuları, sınıf etiketleri ve güven puanlarını çıktı (Şekil 3).
   4. İlgi alanlarını tanımlamak için veri seti hazırlığı sırasında oluşturulan çokgen tabanlı segmentasyon notasyonlarını kullanın ve bu açıklamaları model eğitimi, görselleştirme ve nihai tespit çıktısı için sınırlayıcı kutulara dönüştürebilirsiniz.
      NOT: Tespit çerçevesi, nihai sınıflandırma çıktıları ve güven puanları oluşturmak için bu sınırlayıcı kutuları kullanır.
2. Omurga konfigürasyonu
   1. Omurga ağı olarak HRNetV2p-W32 kullanın.
   2. Eğitim kararlılığını sağlamak için tüm eklenti modüllerini kaldırın.
3. Algılama mimarisi
   1. Tespit için Cascade R-CNN kullanın.
4. Kayıp ve çapa konfigürasyonu
   1. Sınıflandırma ve regresyon kayıplarını açık parametre ayarlarıyla yapılandırın. ROI başlıklarında sınıflandırma kaybı FocalLoss olarak ayarlanmıştı ve use_sigmoid=True ve loss_weight = 1.0 olarak ayarlandı. Sınırlayıcı kutu geri dönüş kaybı SmoothL1Loss olarak ayarlandı; beta = 1.0 ve loss_weight = 0.5. RPN'de sınıflandırma kaybı da FocalLoss olarak ayarlanmıştı ve use_sigmoid=True ve loss_weight = 1.0, regresyon kaybı ise L1Loss olarak ayarlandı ve loss_weight = 1.0 olarak ayarlandı.
   2. Özelleştirilmiş çapa en-boy oranlarını tanımlayın. RPN çapa en-boy oranları açıkça 0.5, 1.0, 2.0 ve 3.0 olarak özelleştirildi.
   3. Resmi MMDetection temel konfigürasyonundan varsayılan çapa ölçek değerlerini koruyun. Bu çalışma, resmi MMDetection yapılandırma dosyasından varsayılan çapa ölçek değerlerini cascade_rcnn_hrnetv2p_w32_20e_coco.py ile ek manuel değişiklik yapmadan benimsedi.
5. Çıkış tanımı
   1. İki sınıf için çıktı tahminleri: Aort Diseksiyonu ve Sağlıklı.

Şekil 3. Yapay zeka modeli kullanılarak AD'nin tespiti. Sol: NCCT görüntüsü gir. Sağda: AD algısını gösteren model çıktısı, tahmin edilen bölge sınırlayıcı bir kutu ve ilgili güven puanıyla vurgulanıyor. Bu şekil, NCCT görüntülerinde AD'nin tanımlanmasını ve tespit sonuçlarının görselleştirilmesini göstermektedir. Güven puanı, modelin AD tespiti için tahmin güvenini temsil eder. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

3. Model Eğitimi

1. Eğitim ortamı
   1. NVIDIA RTX 3080 Ti GPU üzerinde eğitim yapın.
   2. Ubuntu 22.04.1 LTS kullanın.
   3. PyTorch 2.0.1, MMCV 1.7.2 ve MMDetection 2.28.2 kullanın.
2. Model başlatma
   1. Modeli, belirli bir COCO önceden eğitilmiş HRNetV2p-W32 + Cascade R-CNN kontrol noktası kullanarak başlatın. Dedektör, deney konfigürasyonunda açıkça belirtilen cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth olarak COCO önceden eğitilmiş bir kontrol noktasından başlatıldı. Bu kontrol noktası, mevcut çalışmada transfer öğrenimi için başlatma ağırlık dosyası olarak kullanılmıştır.
   2. İki sınıf için sınıflandırma katmanlarını yeniden başlatın.
3. Hiperparametreler
   1. Optimizer'ı stokastik gradyan inişe ayarlayın.
   2. Öğrenme hızını 0.0001 olarak ayarlayın.
   3. Momentumu 0.9'a ayarlayın.
   4. Ağırlık düşüşünü 0.0001'e ayarlayın.
   5. Dönem sayısını 30'a ayarlayın.
   6. Parti büyüklüğünü 1 olarak ayarlayın.
   7. Zamanlayıcıyı ısınma ile kosinüs tavlamaya ayarlayın.
4. Eğitim uygulaması
   1. Görselleri ve açıklamaları yükleyin.
   2. Görüntüleri 512×512 olarak boyutlandırın.
   3. Artırmalar uygula.
   4. Görüntüleri normalize edin ve padon yapın.
   5. Özel MMDetection 2.x tam pipeline scripti olan python full_pipeline_mmdet2_aortic_dissection.py kullanarak model eğitimi yapın; bu betik resmi temel yapılandırmayı yükleyip uyarlar ve build_detector(...) ve train_detector(...) fonksiyonlarıyla eğitimi başlatır.
      NOT: Script, MMDetection 2.28.2 ortamında tüm bağımlılıklar Materyal Tablosu'nda belirtildiği gibi kurulu olarak çalıştırıldı.
   6. Her dönemden sonra doğrulama setinde performansı değerlendirin.
   7. Tekrarlanabilirlik için veri sıralaması, parametre ayarları ve donanım yapılandırması dahil olmak üzere tutarlı eğitim koşullarını koruyun.
5. Model seçimi
   1. Doğrulama kümesinde elde edilen en yüksek sınır kutusu ortalama hassasiyetine (bbox_mAP) göre en iyi performans gösteren modeli seçin.
      NOT: Seçim kriterleri, çalışma hedeflerine bağlı olarak doğruluk, hassasiyet, özgüllük veya zar katsayısını içerebilir.
6. Son değerlendirme
   1. COCOeval kullanarak bağımsız test setinde modeli değerlendirin. Değerlendirme, run_train=Yanlış ve run_eval=Doğru ile full_pipeline_mmdet2_aortic_dissection.py betiği üzerinden yürütülür. Script seçilen kontrol noktasını yükler, bağımsız test setinde tahminler oluşturur, bunları COCO formatı sonuç dosyalarına dönüştürür ve COCOeval kullanarak bbox metriklerini hesaplar.
      NOT: Değerlendirme, eğitim kurulumuyla tutarlılığı sağlamak için aynı MMDetection 2.28.2 ortamında gerçekleştirilmiştir.
   2. mAP, AP50, AP75 ve sınıf başına AP gibi metrikleri raporlayın.
   3. Deneyler arasında tutarlılığı sağlamak için aynı veri seti bölümü ve metrik tanımlarını kullanarak değerlendirme yapın.

Sonuçlar

Bu bölüm, NCCT görüntülerinden AD algılama için iki sınıflı nesne tespit modelinin tekrarlanabilir, uygulama tarafından doğrulanmış sonuçlarını sunar; bu sonuçlar doğrulanmış eğitim hattı ve COCO değerlendirme çerçevesiyle sıkı bir şekilde uyumlu hale getirilir (Şekil 1). Tüm metrikler, COCOeval kullanılarak alınan test setinden türetilmiştir ve uydurma veri veya doğrulanmamış göstergeler yoktur.

Nicel Algılama Performansı...

Tartışma

Klinisyenler, özellikle acil servis hekimleri, hastaların atipik semptomlarla ortaya çıkması veya acil servis hasta hacminin yüksek olması zaman kısıtlamaları getirdiğinde tanı performansının azaldığını yaşayabilirler. Buna karşılık, NCCT'de AD'yi tanımlamak için eğitilmiş bir yapay zeka modeli, asemptomatik hastalarda bile tutarlı ve istikrarlı performans sağlayabilir; okuma süresiyle sınırlı kalmadan, böylece AD ve intramural^{hematom teşhisinin doğruluğunu ve verimlili...}

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Cascade R-CNN mimarisi	OpenMMLab (MMDetection)	configs/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Framework'te kullanılan tespit mimarisi
Göğüs bilgisayarlı tomografisi görüntüleri (kontrastsız)	Kendi oluşturduğu klinik veri seti	NCCT eksenel görüntü seti	Model geliştirmede kullanılan klinik görüntüleme verileri
COCO formatı açıklama dosyaları	Protokol sırasında üretilir	JSON (COCO formatı)	Model eğitimi için kullanılan dönüştürülmüş annotasyon dosyaları
COCO önceden eğitilmiş ağırlıklar	OpenMMLab MMDetection model zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Model başlatma için kullanılan
HRNetV2p-W32 mimarisi	OpenMMLab (MMDetection)	HRNetV2p-W32 omurga (MMDetection 2.28.2'de uygulanmıştır)	Kullanılan omurga modeli
ITK-SNAP	ITK-SNAP Geliştirme Ekibi	3.8.0	Görüntü formatı dönüşümü ve dilim dışkı için kullanılır
JSON annotasyon dosyaları	LabelMe çıktısı	Standart JSON formatı	Annotasyon koordinatları ve etiketler içerir
LabelMe	MIT CSAIL	4.8.3	Manuel görüntü açıklaması için kullanılır
MMDetection	OpenMMLab	2.28.2	Uygulama için kullanılan nesne algılama çerçevesi
MMCV	OpenMMLab	1.7.2	MMDetection'ı destekleyen çekirdek kütüphanesi
NumPy	NumPy Geliştiricileri	1.26.4	Sayısal hesaplama kütüphanesi
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Eğitim için kullanılan donanım
OpenCV	OpenCV	4.9.0	Görüntü işleme ve görselleştirme
pycocotools	PyPI / COCO API	2.0.6	COCO formatı değerlendirme kütüphanesi
Python	Python Yazılım Vakfı	3.10.20	Programlama ortamı
PyTorch	PyTorch	2.0.1+cu118	Derin öğrenme çerçevesi
TorchVision	PyTorch	0.15.2+cu118	Vizyon hizmetleri
Ubuntu İşletim Sistemi	Kanonik	22.04.1 LTS	Eğitim ortamı işletim sistemi