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

Summary

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.

Abstract

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.

Introduction

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....

Protocol

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....

Results

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.......

Discussion

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.......}

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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