Uudne hägune DBNet meditsiinilise kujutise segmenteerimiseks, 2. osa

3.4. Pillide piltide segmenteerimine

Fuzzy DBNet toimis pillide andmekogumite hulgas hästi. Mudeli üldistuse edasiseks kontrollimiseks viisime läbi ka katsed kopsude andmekogumiga. Joonis 8 näitab valideerimise kadu.

Cistanche võib toimida väsimuse ja vastupidavuse suurendajana ning eksperimentaalsed uuringud on näidanud, et Cistanche tubulosa keetmine võib tõhusalt kaitsta kaaluga ujumishiirte kahjustatud maksa hepatotsüüte ja endoteelirakke, reguleerida NOS3 ekspressiooni ja soodustada maksa glükogeeni tootmist. sünteesi, avaldades seega väsimusevastast toimet. Fenüületanoidglükosiidide rikas Cistanche tubulosa ekstrakt võib märkimisväärselt vähendada seerumi kreatiinkinaasi, laktaadi dehüdrogenaasi ja laktaadi taset ning tõsta hemoglobiini (HB) ja glükoosi taset ICR hiirtel ning see võib mängida väsimusevastast rolli, vähendades lihaskahjustusi. ja piimhappega rikastamise edasilükkamine energia salvestamiseks hiirtel. Ühendi Cistanche Tubulosa tabletid pikendasid märkimisväärselt raskust kandvat ujumisaega, suurendasid maksa glükogeenivaru ja vähendasid seerumi uurea taset pärast treeningut hiirtel, näidates selle väsimusevastast toimet. Cistanchise keetmine võib parandada hiirte vastupidavust ja kiirendada väsimuse kaotamist, samuti võib seerumi kreatiinkinaasi taseme tõusu pärast koormust vähendada ja hoida hiirte skeletilihaste ultrastruktuuri pärast treeningut normaalsena, mis näitab, et sellel on mõju. füüsilise jõu suurendamiseks ja väsimuse vastu võitlemiseks. Cistanchis pikendas ka märkimisväärselt nitritiga mürgitatud hiirte elulemust ja suurendas tolerantsust hüpoksia ja väsimuse vastu.

Pillide andmestikust valisime mudeli testimiseks piltide rühma. See komplekt sisaldas kuut pilti: töötlemata kujutised ülalt alla ja alt üles ning vastavad põhitõe kujutised ja segmenteeritud tulemused. Need pildid on näidatud joonisel 9.

Meie pakutud mudeli toimivuse hindamiseks võrdlesime Fuzzy DBNeti väljundit ja selle põhitõde testimise andmekogumis, kasutades keskmist täringukoefitsienti, mIoU ja pikslite kaupa täpsust. Tulemused on toodud tabelis 3.

Valisime pillide testi andmestiku segmenteerimise tulemustest näidetena kaks pildikomplekti. Joonisel 10 oli BtrflyNeti segmenteerimisjõudlus halvem. Teisest küljest, kui DoubleU-Net tundis ära pillid ilma tekstita, esines klassifitseerimisvigu. Joonisel 11 on kujutatud tahtlikult vale pildisisendiga katsejuhtumeid, kus pillide pilte jäädvustati esi- ja tagavaate asemel erinevate nurkade all. See ei põhjustanud mitte ainult DoubleU-Neti halva klassifitseerimise jõudlust, vaid ka meie mudeli ja BtrflyNeti klassifikatsiooni täpsuse vähenemist, kuna neid mõjutasid valesti paigutatud ravimite omadused.

4. Arutelu

Võrdlesime meie pakutud meetodi toimivust BtrflyNeti toimimisega pillide ja kopsude andmekogumites ning näitasime, et meie lähenemisviis saavutas paremad segmenteerimistulemused.

Viidates joonistele 6, 7 ja 10, võib täheldada, et meie mudelit koolitati kahepoolsete kujutiste integreerimisega. Meie mudel saavutas teiste mudelitega võrreldes täielikuma segmenteerimise ja suurema klassifikatsiooni täpsuse. Vastupidi, meie mudelil olid ka piirangud. Näiteks, nagu on näidatud joonisel 11, puudusid sellel eelised mitte-kahepoolsete piltide või kahepoolsete kujutiste puhul, mille positsioonid olid valesti joondatud, ja see oli kalduvus segmenteeritud objekte valesti klassifitseerima. Nendest kahest juhtumist järeldati, et mudel ühendas treeningu ajal olulisi funktsioone sisendpiltide mõlemalt küljelt. Seetõttu peaksid sama sihtobjekti kaks sisendpilti võimalikult palju kattuma, et meie mudeli eeliseid täielikult ära kasutada.

Klõpsake ammendatud

【Lisateabe saamiseks:george.deng@wecistanche.com / WhatsApp:8613632399501】

Kopsu röntgenikiirguse andmekogumis ületas meie mudel BtrflyNeti segmenteerimise täpsuse. Tänu häguse ASPP lisamisele ja kahepoolsete kujutiste kasutamisele sisendina andis meie mudel DoubleU-Netiga võrreldes täielikumad kopsusegmentatsioonid isegi uduste piltide korral.

Pillide andmekogumis ületas meie mudel nii BtrflyNeti kui ka DoubleU-Neti segmenteerimise ja klassifitseerimise täpsuse osas, eriti kui pillide tagaküljel oli tekst. Kasutades tagakülje piltide funktsioone, saavutas meie pakutud meetod täpse klassifikatsiooni.

Pärast meditsiinikeskustega konsulteerimist saime teada, et paljude patoloogiliste seisundite jaoks on täpse diagnoosi jaoks vaja teavet kahepoolsest meditsiinilisest pildist. Näiteks kasutavad arstid tavaliselt metastaatiliste kahjustuste diagnoosimiseks luu radionukliidide skaneerimisest saadud AP ja PA vaateid ning artriidi diagnoosimiseks põlve röntgeniandmetes erinevatest vaatenurkadest pärit pilte. Samal ajal võib ülalnimetatud analüüsi põhjal järeldada, et meie mudel võib saavutada paremaid tulemusi, kui seda rakendatakse seda tüüpi kahepoolset kujutist sisaldavatele andmekogumitele.

Üldiselt, nagu on näidatud tabelis 4, saavutas meie pakutud meetod BtrflyNeti ja DoubleU-Netiga võrreldes kõrgema mIoU skoori, täringu koefitsiendi ja pikslite täpsuse. Need tulemused näitasid, et meie pakutud meetod parandas kahepoolsete piltide kujutiste segmenteerimise täpsust.

5. Kokkuvõtted

Selles artiklis pakkusime välja Fuzzy DBNet, mis võtab kaks sisendpilti, et lahendada probleem, et objekti üks külg on udune või mittetäielik. Meie pakutud mudel saavutas ravimiandmestiku pikslite täpsuse 92,8%, mis oli 10,4% täpsem kui Double U-Net ja 6,9% võrreldes BtryflyNetiga, lahendades tõhusalt probleemi, et ravimi mõlemal küljel on ebaühtlane tekst, mida ei saa. klassifitseerida täpselt ühe pildi põhjal. Rindkere röntgenikiirguse andmestikul saavutas pikslite täpsus 96,9%, mis oli vastavalt 2,8 ja 7,2% täpsem kui Double U-Neti ja BtryflyNeti puhul. See parandas kujutise segmenteerimisel varjatud või mürarikaste piirkondade probleemi.

Edasine töö koosneb peamiselt kahest osast. Esiteks on meie eesmärk rakendada oma mudelit erinevate haiguste kahjustuste tuvastamiseks, mis nõuavad kahepoolseid meditsiinilisi kujutisi, nagu luumetastaasid ja põlved. Pärast seda plaanime välja töötada võrguarhitektuuri, mis suudab integreerida mitme nurga all olevaid pilte, mis lähevad kaugemale kahepoolsete piltide praegusest ulatusest. See võimaldaks luua stereoskoopilise nägemise simuleerimiseks mitme vaatega mudeli. Erinevate nurkade alt jäädvustatud sügavusteabe võimendamisega saab mudeli tõhusust veelgi suurendada.

See edasiminek hõlbustaks mitmekesisemate andmekogumite kogumist ja ettevalmistamist ning suurendaks pakutud lähenemisviisi rakendatavust laiema hulga valdkondade jaoks.

Autori kaastööd:Metoodika, C.-LC, C.-YL, Y.-ML, S.-WC ja AKS; Tarkvara, J.-CL, C.-YL, Y.-ML ja S.-WC; Valideerimine, J.-CL, C.-YL ja AKS; Formaalne analüüs, Y.-ML; Kirjutamine – originaalkavand, T.-YS, TC ja P.-CH; Supervision, T.-YS, TC ja P.-CH; Projekti administratsioon, C.-LC Kõik autorid on käsikirja avaldatud versiooni läbi lugenud ja sellega nõustunud.

Rahastamine:See uuring ei saanud välist rahastamist.

Institutsioonilise ülevaatenõukogu avaldus:Ei kohaldata.

Teadliku nõusoleku avaldus:Ei kohaldata.

Andmete kättesaadavuse avaldus:Kõik selles dokumendis kasutatud andmestikud on avalikult kättesaadavad.

Huvide konfliktid:Autorid ei kinnita huvide konflikti.

Viited

1. Tariq, RA; Vašišt, R.; Sinha, A.; Scherbak, Y. Ravimite väljastamise vead ja ennetamine; StatPearls: Treasure Island, FL, USA, 2020.

2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Konvolutsioonilised võrgud biomeditsiinilise kujutise segmenteerimiseks. In Proceedings of the 18th International Conference, MICCAI, München, Saksamaa, 5.–9. oktoober 2015; lk 234–241.

3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: sügav konvolutsiooniline närvivõrk meditsiinilise kujutise segmenteerimiseks. IEEE 33. rahvusvahelise arvutipõhiste meditsiinisüsteemide (CBMS) sümpoosioni toimetistes, Rochester, MN, USA, 28.–30. juuli 2020; lk 558–564.

4. lõug, CL; Chang, CL; Liu, YC; Lin, YL Häälekurdude ja glottaali automaatne segmenteerimine ja indikaatorite mõõtmine kõri endoskoopiapiltidel, kasutades maski R-CNN. Biomed. Eng. Rakendus Basis Commun. 2021, 33, 2150027.

5. Płudowski, J.; Mulawka, J. Masinaõpe põhiliste kopsupatoloogiate tuvastamisel. Rakendus Sci. 2022, 12, 8086. [CrossRef]

6. Rajaraman, S.; Guo, P.; Xue, Z.; Antani, SK Sügava modaalsuse spetsiifiline ansambel kopsupõletiku tuvastamise parandamiseks rindkere röntgenikiirguses. Diagnostics 2022, 12, 1442. [CrossRef] [PubMed]

7. Granata, V.; Fusco, R.; Costa, M.; Picone, C.; Cozzi, D.; Moroni, C.; Petrillo, A. Esialgne aruanne kompuutertomograafia radioonika omadustest kui biomarkeritest immunoteraapia valikul kopsu adenokartsinoomiga patsientidel. Cancers 2021, 13, 3992. [CrossRef] [PubMed]

8. Zarogoulidis, P.; Kioumis, I.; Pitsiou, G.; Porpodis, K.; Lampaki, S.; Papaiwannou, A.; Katsikogiannis, N.; Zaric, B.; Branislav, P.; Secen, N.; et al. Pneumotooraks: määratlusest diagnoosi ja ravini. J. Thorac. Dis. 2014, 6 (S4 lisavarustus), S372–S376. [PubMed]

9. Zhang, R.; Yang, F.; Luo, Y.; Liu, J.; Li, J.; Wang, C. Osaliselt teadlik maskipõhine tähelepanu rindkerehaiguste klassifikatsioonile. Entropy 2021, 23, 653. [CrossRef] [PubMed]

10. Yang, F.; Lu, PX; Deng, M.; Wáng, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Kopsuhäirete annotatsioonid Shenzheni rindkere röntgenikiirguse andmekogus kopsuhaiguste arvutipõhiseks sõeluuringuks. Andmed 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, culescu, AA; Ancus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL Uudne meetod kopsukujutise töötlemiseks keerukate võrkude abil. Tomograafia 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Kopsupõletiku tuvastamine rindkere röntgenipiltidel, kasutades sügavate konvolutsiooniliste närvivõrkude ansamblit. Rakendus Sci. 2022, 12, 6448. [CrossRef]

13. Khishe, M.; Caraffini, F.; Kuhn, S. Süvaõppe konvolutsiooniliste närvivõrkude arendamine COVID{1}} varaseks tuvastamiseks rindkere röntgenipiltidel. Matemaatika 2021, 9, 1002. [CrossRef]

14. Cao, F.; Zhao, H. Automaatne kopsude segmenteerimise algoritm rindkere röntgenipiltidel, mis põhineb fusioonivariatsioonilisel automaatkodeerijal ja kolme terminali tähelepanumehhanismil. Sümmeetria 2021, 13, 814. [CrossRef]

15. Alharithi, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Bouguila, N. Diskriminatiivne õppimisviis, mis põhineb paindlikul segumudelil meditsiiniliste andmete kategoriseerimiseks ja tuvastamiseks. Andurid 2021, 21, 2450. [CrossRef] [PubMed]

16. Rajaraman, S.; Folio, LR; Dimperio, J.; Alderson, PO; Antani, SK Tuberkuloosi täiustatud semantiline segmenteerimine – järjekindlad leiud rindkere röntgenülesvõtetel, kasutades modaalsusspetsiifiliste nõrga lokaliseerimisega u-võrgu mudelite täiustatud väljaõpet. Diagnostika 2021, 11, 616. [CrossRef] [PubMed]

17. Shakeri, A.; Konstantinelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. Direct Acting Antivirals (DAA) globaalsed kasutustrendid COVID{1}} pandeemia ajal: aegridade analüüs. Viirused 2021, 13, 1314. [CrossRef] [PubMed]

18. Ellis, R.; Hay-David, AGC; Brennan, PA Tegevus COVID{2}} pandeemia ajal: kuidas vähendada meditsiinilisi vigu. Br. J. Suuline Maxillofac. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ou, YY; Tsai, AC; Zhou, XP; Wang, JF Automaatne ravimipillide tuvastamine, mis põhineb täiustatud funktsioonipüramiidvõrgul ja konvolutsiooninärvivõrkudel. IET Comput. Vis. 2020, 14, 9–17. [CrossRef]

20. Wondmieneh, A.; Alemu, W.; Tadele, N.; Demis, A. Ravimi manustamise vead ja soodustavad tegurid õdede seas: ristlõikeuuring kolmanda taseme haiglates, Addis Abeba, Etioopia. BMC õed. 2020, 19, 4. [CrossRef] [PubMed]

21. Wang, Y.; Ribera, J.; Liu, C.; Yarlagadda, S.; Zhu, F. Pillide tuvastamine minimaalse märgistatud andmete abil. In Proceedings of the 2017 IEEE Third International Conference on Multimedia Big Data (BigMM), Laguna Hills, CA, USA, 19.–21.04.2017; lk 346–353.

22. Kwon, HJ; Kim, HG; Lee, SH Süvaõppel põhinev meditsiiniinspektsiooni pillide tuvastamise mudel. Chemosensors 2022, 10, 4. [CrossRef]

23. Tan, L.; Huangfu, T.; Wu, L.; Chen, W. YOLO v3, kiirema R-CNN-i ja SSD võrdlus reaalajas pillide tuvastamiseks.

24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS Ruumilise ja ajalise taimestiku pikslite klassifikatsioon konvolutsioonivõrkude abil. IEEE Geosci. Remote Sens. Lett. 2019, 16, 1665–1669. [CrossRef]

25. Shimizu, A.; Wakabayashi, H.; Kanamori, T.; Saito, A.; Nishikawa, K.; Daisaki, H.; Higashiyama, S.; Kawabe, J. Luu skaneerimise indeksi automaatne mõõtmine kogu keha luustsintigrammist. Int. J. Comput. Abi. Radiol. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]

26. NIH rindkere röntgeniandmete kogum. Saadaval võrgus: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (juurdepääs 2. mail 2023).

27. Cubuk, ED; Zoph, B.; Shlens, J.; Le, QV Randaugment: praktiline automatiseeritud andmete täiendamine vähendatud otsinguruumiga. IEEE/CVF konverentsi arvutinägemise ja mustrite tuvastamise töötubade kogumikus, Seattle, WA, USA, 14.–19. juuni 2020; lk 702–703.

28. VGG pildiannotaator. Saadaval võrgus: https://www.robots.ox.ac.uk/vgg/software/via/ (kasutatud 26. septembril 2022).

Lahtiütlus/väljaandja märkus:Kõikides väljaannetes sisalduvad väited, arvamused ja andmed on ainult konkreetse(te) autori(te) ja kaastöölise(te), mitte MDPI ja/või toimetaja(te) avaldused, arvamused ja andmed. MDPI ja/või toimetaja(d) loobuvad vastutusest inimestele või varale tekitatud vigastuste eest, mis tulenevad sisus viidatud ideedest, meetoditest, juhistest või toodetest.

【Lisateabe saamiseks:george.deng@wecistanche.com / WhatsApp:8613632399501】