DBNet חדשני לפילוח תמונה רפואית חלק 2

3.4. פילוח של תמונות גלולות

Fuzzy DBNet הציג ביצועים טובים בין מערכי הנתונים של הגלולות. כדי לאמת את ההכללה של המודל עוד יותר, ערכנו גם ניסויים על מערך הנתונים של הריאות. איור 8 מציג את אובדן האימות.

Cistanche יכול לשמש כמשפר עייפות וסיבולת, ומחקרים ניסיוניים הראו שמרתח של Cistanche tubulosa יכול להגן ביעילות על הפטוציטים של הכבד ועל תאי האנדותל שניזוקו בעכברים שוחים נושאי משקל, להגביר את הביטוי של NOS3 ולקדם גליקוגן בכבד. סינתזה, ובכך מפעילה יעילות נגד עייפות. תמצית Cistanche tubulosa עשירה ב-Penylethanoid glycoside יכולה להפחית באופן משמעותי את רמות קריאטין קינאז בסרום, לקטאט דהידרוגנאז ולקטאט, ולהגביר את רמות ההמוגלובין (HB) והגלוקוז בעכברי ICR, וזה יכול למלא תפקיד אנטי עייפות על ידי הפחתת הנזק לשרירים ועיכוב העשרת חומצת החלב לאגירת אנרגיה בעכברים. Compound Cistanche Tubulosa Tablets האריכו באופן משמעותי את זמן השחייה נושא המשקל, הגדילו את מאגר הגליקוגן בכבד והפחיתו את רמת האוריאה בסרום לאחר פעילות גופנית בעכברים, מה שמראה את השפעתו נגד עייפות. המרתח של Cistanchis יכול לשפר את הסיבולת ולהאיץ את ביטול העייפות בעכברים מתאמנים, ויכול גם להפחית את העלייה של קריאטין קינאז בסרום לאחר אימון עומס ולשמור על מבנה האולטרה של שרירי השלד של עכברים תקין לאחר אימון, מה שמעיד על כך שיש לו את ההשפעות של שיפור כוח פיזי ואנטי עייפות. Cistanchis גם האריך משמעותית את זמן ההישרדות של עכברים מורעלים בניטריט והגביר את הסבילות נגד היפוקסיה ועייפות.

במערך הנתונים של הגלולות, בחרנו קבוצת תמונות לבדיקת המודל. ערכה זו הכילה שש תמונות: תמונות גולמיות מלמעלה למטה ומתחתית למעלה ואת תמונות האמת הקרקע המתאימות ותוצאות מפולחות. תמונות אלו מוצגות באיור 9.

כדי להעריך את הביצועים של המודל המוצע שלנו, השווינו את הפלט של Fuzzy DBNet ואת האמת הבסיסית שלו על מערך הבדיקות באמצעות מקדם קוביות ממוצע, mIoU ודיוק פיקסל. התוצאות מוצגות בטבלה 3.

בחרנו שתי קבוצות של תמונות מתוצאות פילוח הנתונים של בדיקות הגלולה כדוגמאות. באיור 10, ביצועי הפילוח של BtrflyNet היו נחותים. מצד שני, כאשר DoubleU-Net זיהה גלולות ללא טקסט, היא הייתה מועדת לשגיאות סיווג. איור 11 מציג מקרי בדיקה עם קלט תמונה שגוי בכוונה, שבהם תמונות של כדורים נלכדו בזוויות שונות במקום התצוגה הקדמית והאחורית. זה הוביל לא רק לביצועי הסיווג הירודים של DoubleU-Net אלא גם לירידה בדיוק הסיווג עבור המודל שלנו ו-BtrflyNet מכיוון שהם הושפעו מתכונות התרופה שלא במקום.

4. דיון

השווינו את הביצועים של השיטה המוצעת שלנו לזו של BtrflyNet על מערכי הנתונים של הגלולות והריאות והוכחנו שהגישה שלנו השיגה תוצאות פילוח טובות יותר.

בהתייחס לתמונות 6, 7 ו-10, ניתן לראות שהמודל שלנו הוכשר על ידי שילוב תמונות דו-צדדיות. המודל שלנו השיג פילוח שלם יותר והיה לו דיוק סיווג גבוה יותר בהשוואה לדגמים אחרים. לעומת זאת, לדגם שלנו היו גם מגבלות. לדוגמה, כפי שמוצג באיור 11, הוא חסר יתרונות בתמונות לא דו-צדדיות או בתמונות דו-צדדיות עם מיקומים לא מיושרים, והיא הייתה נוטה לסיווג שגוי של אובייקטים מפולחים. משני המקרים הללו, הסיק כי המודל שילב תכונות חשובות משני הצדדים של תמונות הקלט במהלך האימון. לכן, שתי תמונות קלט של אותו אובייקט יעד צריכות לחפוף ככל האפשר כדי למנף את היתרונות של המודל שלנו באופן מלא.

לחץ על מותש

【למידע נוסף:george.deng@wecistanche.com / WhatsApp:8613632399501】

במערך הנתונים של רנטגן הריאות, המודל שלנו עלה על BtrflyNet ברמת דיוק הפילוח. בשל השילוב של ASPP מטושטש והשימוש בתמונות דו-צדדיות כקלט, הדגם שלנו הפיק פילוחי ריאות שלמים יותר אפילו עבור תמונות מטושטשות, בהשוואה ל-DoubleU-Net.

במערך הנתונים של הגלולות, המודל שלנו עלה על הביצועים של BtrflyNet ו-DoubleU-Net ברמת דיוק הפילוח ובדיוק הסיווג, במיוחד כאשר הטקסט בגב הגלולות היה קיים. על ידי מינוף תכונות מהתמונות האחוריות, השיטה המוצעת שלנו השיגה סיווג מדויק.

לאחר התייעצות עם מרכזים רפואיים, למדנו שמצבים פתולוגיים רבים דורשים מידע מהדמיה רפואית דו-צדדית לצורך אבחנה מדויקת. לדוגמה, רופאים משתמשים בדרך כלל בתצוגות AP ו-PA מסריקת עצמות רדיונוקלידים כדי לאבחן נגעים גרורתיים, כמו גם תמונות מנקודות מבט שונות בנתוני רנטגן בברך כדי לאבחן דלקת פרקים. במקביל, בהתבסס על הניתוח שהוזכר לעיל, ניתן להסיק שהמודל שלנו יכול להשיג תוצאות מעולות כשהוא מיושם על מערכי נתונים המכילים סוג זה של הדמיה דו-צדדית.

בסך הכל, כפי שמוצג בטבלה 4, השיטה המוצעת שלנו השיגה ציון mIoU גבוה יותר, מקדם קוביות ודיוק פיקסל בהשוואה ל-BtrflyNet ו-DoubleU-Net. תוצאות אלו הוכיחו כי השיטה המוצעת שלנו שיפרה את דיוק פילוח התמונה מתמונות דו-צדדיות.

5. מסקנות

במאמר זה, הצענו את ה-Fuzzy DBNet, שלוקח שתי תמונות קלט כדי לפתור את הבעיה של צד אחד של אובייקט מטושטש או לא שלם. המודל המוצע שלנו השיג דיוק פיקסלים של 92.8% במערך נתונים של תרופות, שהיה מדויק יותר ב-10.4% מ-Double U-Net ו-6.9% בהשוואה ל-BtryflyNet, ובכך פתר למעשה את הבעיה של טקסט לא עקבי משני הצדדים של תרופה שאינה יכולה להיות מסווג במדויק על סמך תמונה אחת. במערך נתונים של רנטגן חזה, הדיוק מבחינת הפיקסלים הגיע ל-96.9%, שהיה מדויק יותר ב-2.8 וב-7.2% מאשר עבור Double U-Net ו-BtryflyNet, בהתאמה. זה שיפר את הנושא של אזורים מעורפלים או רועשים בפילוח תמונה.

עבודה עתידית מורכבת בעיקר משני חלקים. ראשית, אנו שואפים ליישם את המודל שלנו על זיהויים שונים של נגעי מחלה הדורשים תמונות רפואיות דו-צדדיות, כגון גרורות בעצמות וברכיים. בעקבות זאת, אנו מתכננים לפתח ארכיטקטורת רשת שתוכל לשלב תמונות מרובות זוויות החורגות מההיקף הנוכחי של תמונות דו-צדדיות. זה יאפשר יצירת מודל רב-צפי כדי לדמות ראייה סטריאוסקופית. על ידי מינוף מידע עומק שנלכד מזוויות שונות, ניתן לשפר עוד יותר את האפקטיביות של המודל.

התקדמות זו תקל על איסוף והכנה של מערכי נתונים מגוונים יותר ותגדיל את הישימות של הגישה המוצעת למגוון רחב יותר של תחומים.

תרומות מחבר:מתודולוגיה, C.-LC, C.-YL, Y.-ML, S.-WC ו-AKS; תוכנה, J.-CL, C.-YL, Y.-ML ו-S.-WC; Validation, J.-CL, C.-YL and AKS; ניתוח פורמלי, י.-מל; כתיבה- טיוטה מקורית, ת'-י''ש, ת''צ ופ'-צ'; פיקוח, ת'-י"ש, ת"ק ופ'-צ'; ניהול הפרויקט, C.-LC כל המחברים קראו והסכימו לגרסה שפורסמה של כתב היד.

מימון:מחקר זה לא קיבל מימון חיצוני.

הצהרת ועדת הביקורת המוסדית:לא ישים.

הצהרת הסכמה מדעת:לא ישים.

הצהרת זמינות נתונים:כל מערכי הנתונים המשמשים במאמר זה זמינים לציבור.

ניגוד עניינים:המחברים אינם מצהירים על ניגוד עניינים.

הפניות

1. Tariq, RA; וישת, ר.; סינהא, א.; שרבאק, י. טעויות במתן תרופות ומניעה; StatPearls: Treasure Island, פלורידה, ארה"ב, 2020.

2. רונברגר, או.; פישר, פ.; Brox, T. U-net: רשתות קונבולוציוניות לפילוח תמונה ביו-רפואית. בהליכי הוועידה הבינלאומית ה-18, MICCAI, מינכן, גרמניה, 5–9 באוקטובר 2015; עמ' 234–241.

3. Jha, D.; ריגלר, MA; יוהנסן, ד.; הלבורסן, פ.; ג'והנסן, HD Doubleu-net: רשת עצבית קונבולוציונית עמוקה לפילוח תמונה רפואית. בהליכים של הסימפוזיון הבינלאומי ה-33 של IEEE על מערכות רפואיות מבוססות מחשב (CBMS), Rochester, MN, ארה"ב, 28-30 ביולי 2020; עמ' 558–564.

4. סנטר, CL; צ'אנג, CL; Liu, YC; Lin, YL פילוח אוטומטי ומדידת אינדיקטורים של קפלי הקול והגלוטאליים בתמונות אנדוסקופיה גרון באמצעות מסכת R-CNN. ביומד. Eng. יישום Basis Commun. 2021, 33, 2150027.

5. פלודובסקי, י. Mulawka, J. Machine Learning בהכרה של פתולוגיות ריאות בסיסיות. יישום Sci. 2022, 12, 8086. [CrossRef]

6. Rajaraman, S.; גואו, פ.; שו, ז; Antani, SK אנסמבל מודאלי עמוק לשיפור זיהוי דלקת ריאות בקרני רנטגן של החזה. Diagnostics 2022, 12, 1442. [CrossRef] [PubMed]

7. גרנאטה, ו'; פוסקו, ר.; קוסטה, מ.; Picone, C.; קוזי, ד.; מורוני, ג; Petrillo, A. דו"ח ראשוני על תכונות רדיוניקה בטומוגרפיה ממוחשבת כסמנים ביולוגיים לבחירת אימונותרפיה בחולי אדנוקרצינומה של הריאות. סרטן 2021, 13, 3992. [CrossRef] [PubMed]

8. Zarogoulidis, P.; קיומיס, I.; Pitsiou, G.; פורפודיס, ק.; למפאקי, ש.; פאפאיוואנו, א.; קציקוגיאניס, נ.; זריק, ב.; ברניסלב, פ.; Secen, N.; et al. Pneumothorax: מהגדרה לאבחון וטיפול. J. Thorac. Dis. 2014, 6 (מוסף S4), S372–S376. [PubMed]

9. ג'אנג, ר.; יאנג, פ.; לואו, י.; ליו, ג'. לי, ג'; Wang, C. תשומת לב מודרכת למסכה חלקית לסיווג מחלות חזה. Entropy 2021, 23, 653. [CrossRef] [PubMed]

10. יאנג, פ.; לו, PX; דנג, מ.; Wáng, YXJ; ראג'ראמאן, ש.; שו, ז; Jaeger, S. הערות של הפרעות ריאות במערך הנתונים של צילומי החזה של שנזן להקרנה בעזרת מחשב של מחלות ריאות. נתונים 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, culescu, AA; אנקוס, א, ו.מ; Ciocârlie, H.; אונסה, CI; Stoicescu, ER; Manolescu, DL שיטה חדשה לעיבוד תמונה ריאות באמצעות רשתות מורכבות. טומוגרפיה 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. מברוק, א.; דיאז רדונדו, RP; דאהו, א.; עבד אלעזיז, מ.; Kayed, M. זיהוי דלקת ריאות על צילומי רנטגן של החזה באמצעות אנסמבל של רשתות עצביות קונבולוציוניות עמוקות. יישום Sci. 2022, 12, 6448. [CrossRef]

13. חישה, מ.; קרפיני, פ.; Kuhn, S. פיתוח רשתות עצביות קונבולוציוניות של למידה עמוקה לזיהוי מוקדם של COVID-19 בתמונות רנטגן של החזה. מתמטיקה 2021, 9, 1002. [CrossRef]

14. קאו, פ.; Zhao, H. אלגוריתם פילוח ריאות אוטומטי על תמונות רנטגן בחזה המבוסס על מקודד אוטומטי וריאצי של היתוך ומנגנון קשב תלת-טרמינלי. Symmetry 2021, 13, 814. [CrossRef]

15. אלחריתי, פ.; אלמליחי, א.; בורואה, ש.; Alroobaea, R.; Bouguila, N. גישת למידה מפלה המבוססת על מודל תערובת גמיש לסיווג והכרה של נתונים רפואיים. חיישנים 2021, 21, 2450. [CrossRef] [PubMed]

16. ראג'ראמאן, ש.; Folio, LR; דימפריו, ג'; אלדרסון, פו; Antani, SK שיפור פילוח סמנטי של שחפת - ממצאים עקביים בצילומי רנטגן של החזה תוך שימוש באימון מוגבר של מודלים מסוג u-net ספציפיים עם לוקליזציות חלשות. Diagnostics 2021, 11, 616. [CrossRef] [PubMed]

17. שאקרי, א.; קונסטנטלוס, נ.; צ'ו, סי; אנטוניו, ט.; פלד, י. סודה, KJ; Tadrous, M. מגמות ניצול גלובליות של אנטי-ויראליות הפועלות ישירות (DAA) במהלך מגיפת הקורונה-19: ניתוח סדרת זמן. וירוסים 2021, 13, 1314. [CrossRef] [PubMed]

18. אליס, ר.; היי-דוד, AGC; ברנן, הרשות הפלסטינית פועל במהלך מגיפת הקורונה-19: כיצד להפחית שגיאות רפואיות. בר. J. Oral Maxillofac. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ou, YY; Tsai, AC; Zhou, XP; Wang, JF זיהוי אוטומטי של גלולות סמים המבוסס על רשת פירמידה משופרת ורשתות עצביות קונבולוציונית. IET Comput. Vis. 2020, 14, 9–17. [CrossRef]

20. וונדמיאנה, א.; Alemu, W.; טאדל, נ.; Demis, A. טעויות במתן תרופות וגורמים תורמים בקרב אחיות: מחקר חתך בבתי חולים שלישוניים, אדיס אבבה, אתיופיה. BMC Nurs. 2020, 19, 4. [CrossRef] [PubMed]

21. וואנג, י.; ריברה, י. ליו, סי; יארלגדה, ש.; Zhu, F. זיהוי גלולות באמצעות נתונים מסומנים מינימליים. במסגרת הכנס הבינלאומי השלישי של IEEE לשנת 2017 בנושא מולטימדיה ביג דאטה (BigMM), Laguna Hills, קליפורניה, ארה"ב, 19-21 באפריל 2017; עמ' 346–353.

22. קוון, HJ; קים, HG; Lee, SH מודל זיהוי גלולות לבדיקת רפואה המבוסס על למידה עמוקה. Chemosensors 2022, 10, 4. [CrossRef]

23. טאן, ל.; Huangfu, T.; וו, ל.; Chen, W. השוואה בין YOLO v3, Faster R-CNN ו-SSD לזיהוי גלולות בזמן אמת.

24. נוגיירה, ק.; דוס סנטוס, JA; מניני, נ.; סילבה, TSF; Morellato, LPC; Torres, RDS סיווג פיקסלים של צמחייה מרחבית-זמנית באמצעות שימוש ברשתות קונבולוציוניות. IEEE Geosci. חיישנים מרחוק Lett. 2019, 16, 1665–1669. [CrossRef]

25. שימיזו, א.; Wakabayashi, H.; קנאמורי, ט.; סאיטו, א.; נישיקאווה, ק.; דייסאקי, ה.; Higashiyama, S.; Kawabe, J. מדידה אוטומטית של אינדקס סריקת עצם מ- scintigram של עצם שלמה. Int. J. Comput. לסייע. רדיול. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]

26. מערך נתונים של NIH חזה רנטגן. זמין באינטרנט: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (נגישה ב-2 במאי 2023).

27. Cubuk, ED; זוף, ב.; שלנס, י. Le, QV Randaugment: הגדלת נתונים אוטומטית מעשית עם שטח חיפוש מופחת. בהליכי כנס IEEE/CVF בנושא ראייה ממוחשבת וסדנאות לזיהוי דפוסים, סיאטל, WA, ארה"ב, 14-19 ביוני 2020; עמ' 702–703.

28. VGG Image Annotator. זמין באינטרנט: https://www.robots.ox.ac.uk/vgg/software/via/ (נגישה ב-26 בספטמבר 2022).

כתב ויתור/הערת מפרסם:ההצהרות, הדעות והנתונים הכלולים בכל הפרסומים הם אך ורק של המחבר/ים והתורמים הבודדים ולא של MDPI ו/או העורך/ים. MDPI ו/או העורכים מתנערים מאחריות לכל פגיעה בבני אדם או ברכוש הנובעת מכל רעיון, שיטות, הוראות או מוצרים הנזכרים בתוכן.

【למידע נוסף:george.deng@wecistanche.com / WhatsApp:8613632399501】