Nov mehki DBNet za segmentacijo medicinske slike, 2. del

3.4. Segmentacija slik tabletk

Fuzzy DBNet se je dobro izkazal med nabori podatkov o tabletah. Da bi dodatno preverili posplošitev modela, smo izvedli tudi poskuse na naboru podatkov o pljučih. Slika 8 prikazuje izgubo validacije.

Cistanche lahko deluje kot sredstvo proti utrujenosti in povečuje vzdržljivost, eksperimentalne študije pa so pokazale, da lahko decoction Cistanche tubulosa učinkovito ščiti jetrne hepatocite in endotelne celice, poškodovane pri plavalnih miših, ki nosijo težo, poveča izražanje NOS3 in spodbuja jetrni glikogen sintezo in tako deluje proti utrujenosti. Izvleček Cistanche tubulosa, bogat s feniletanoidnimi glikozidi, bi lahko bistveno zmanjšal serumsko raven kreatin kinaze, laktat dehidrogenaze in laktata ter zvišal raven hemoglobina (HB) in glukoze pri miših ICR, kar bi lahko imelo vlogo proti utrujenosti z zmanjšanjem poškodb mišic in zakasnitev obogatitve mlečne kisline za shranjevanje energije pri miših. Tablete Compound Cistanche Tubulosa so znatno podaljšale čas plavanja z utežmi, povečale rezervo glikogena v jetrih in znižale raven sečnine v serumu po vadbi pri miših, kar kaže na učinek proti utrujenosti. Odvarek Cistanchis lahko izboljša vzdržljivost in pospeši odpravo utrujenosti pri vadbenih miših, prav tako pa lahko zmanjša zvišanje serumske kreatin kinaze po obremenitveni vadbi in ohranja normalno ultrastrukturo skeletnih mišic miši po vadbi, kar kaže, da ima učinke za povečanje telesne moči in proti utrujenosti. Cistanchis je tudi znatno podaljšal čas preživetja miši, zastrupljenih z nitriti, in povečal toleranco proti hipoksiji in utrujenosti.

Na naboru podatkov o tabletah smo izbrali skupino slik za testiranje modela. Ta niz je vseboval šest slik: neobdelane slike od zgoraj navzdol in od spodaj navzgor ter ustrezne slike resnične zemeljske slike in segmentirane rezultate. Te slike so prikazane na sliki 9.

Da bi ocenili uspešnost našega predlaganega modela, smo primerjali izhod Fuzzy DBNet in njegovo osnovno resnico na naboru podatkov o testiranju z uporabo povprečnega koeficienta Dice, mIoU in natančnosti glede na slikovne pike. Rezultati so prikazani v tabeli 3.

Za primere smo izbrali dva niza slik iz rezultatov segmentacije nabora podatkov testa tabletk. Na sliki 10 je bila učinkovitost segmentacije BtrflyNet slabša. Po drugi strani, ko je DoubleU-Net prepoznal tablete brez besedila, je bil nagnjen k napakam pri klasifikaciji. Slika 11 prikazuje testne primere z namerno nepravilnimi vnosi slike, kjer so bile slike tabletk posnete pod različnimi koti namesto pogleda od spredaj in zadaj. To ni privedlo le do slabe učinkovitosti klasifikacije DoubleU-Net, ampak tudi do zmanjšanja natančnosti klasifikacije za naš model in BtrflyNet, ker so nanju vplivale napačno postavljene značilnosti zdravila.

4. Razprava

Učinkovitost predlagane metode smo primerjali z metodo BtrflyNet na naborih podatkov o tabletah in pljučih ter dokazali, da je naš pristop dosegel boljše rezultate segmentacije.

Glede na slike 6, 7 in 10 je mogoče opaziti, da je bil naš model usposobljen z integracijo dvostranskih slik. Naš model je dosegel popolnejšo segmentacijo in imel večjo natančnost klasifikacije v primerjavi z drugimi modeli. Nasprotno pa je imel naš model tudi omejitve. Na primer, kot je prikazano na sliki 11, ni imel prednosti pri nedvostranskih slikah ali dvostranskih slikah z napačno poravnanimi položaji in bil je nagnjen k napačni klasifikaciji segmentiranih predmetov. Iz teh dveh primerov je bilo sklepano, da je model združeval pomembne značilnosti z obeh strani vhodnih slik med usposabljanjem. Zato se morata dve vhodni sliki istega ciljnega objekta čim bolj prekrivati, da v celoti izkoristimo prednosti našega modela.

Kliknite na izčrpano

【Za več informacij:george.deng@wecistanche.com / WhatsApp:8613632399501】

V naboru podatkov o rentgenskem slikanju pljuč je naš model presegel BtrflyNet v natančnosti segmentacije. Zaradi vključitve mehkega ASPP in uporabe dvostranskih slik kot vhodnih podatkov je naš model v primerjavi z DoubleU-Net ustvaril popolnejše segmentacije pljuč tudi za zamegljene slike.

V naboru podatkov o tabletah je naš model presegel tako BtrflyNet kot DoubleU-Net v točnosti segmentacije in natančnosti razvrščanja, zlasti ko je bilo prisotno besedilo na zadnji strani tablet. Z izkoriščanjem funkcij slik na zadnji strani je naša predlagana metoda dosegla natančno klasifikacijo.

Po posvetovanju z zdravstvenimi centri smo izvedeli, da mnoga patološka stanja za natančno diagnozo potrebujejo podatke iz dvostranskega medicinskega slikanja. Na primer, zdravniki običajno uporabljajo poglede AP in PA iz radionuklidnega skeniranja kosti za diagnosticiranje metastatskih lezij, pa tudi slike iz različnih perspektiv v podatkih rentgenskega slikanja kolena za diagnosticiranje artritisa. Hkrati je na podlagi zgoraj omenjene analize mogoče sklepati, da bi naš model lahko dosegel vrhunske rezultate, če bi ga uporabili za nabore podatkov, ki vsebujejo to vrsto dvostranskega slikanja.

Na splošno, kot je prikazano v tabeli 4, je naša predlagana metoda dosegla višjo oceno mIoU, koeficient kock in natančnost slikovnih pik v primerjavi z BtrflyNet in DoubleU-Net. Ti rezultati so pokazali, da je naša predlagana metoda izboljšala natančnost segmentacije slike iz dvostranskih slik.

5. Sklepi

V tem prispevku smo predlagali Fuzzy DBNet, ki sprejme dve vhodni sliki, da reši težavo, ko je ena stran predmeta zamegljena ali nepopolna. Naš predlagani model je dosegel natančnost slikovnih pik 92,8 % na naboru podatkov o zdravilu, kar je bilo 10,4 % bolj natančno kot Double U-Net in 6,9 % v primerjavi z BtryflyNet, kar je učinkovito rešilo problem nedoslednega besedila na obeh straneh zdravila, ki ga ni mogoče biti natančno razvrščeni na podlagi ene same slike. Na naboru podatkov o rentgenskem slikanju prsnega koša je natančnost slikovnih pik dosegla 96,9 %, kar je bilo 2,8 oziroma 7,2 % bolj natančno kot pri Double U-Net oziroma BtryflyNet. To je izboljšalo težavo z zatemnjenimi ali hrupnimi regijami v segmentaciji slike.

Prihodnje delo je v glavnem sestavljeno iz dveh delov. Prvič, želimo uporabiti naš model za različna prepoznavanja lezij bolezni, ki zahtevajo dvostranske medicinske slike, kot so kostne metastaze in kolena. Po tem nameravamo razviti omrežno arhitekturo, ki lahko integrira večkotne slike, ki presegajo trenutni obseg dvostranskih slik. To bi omogočilo ustvarjanje modela z več pogledi za simulacijo stereoskopskega vida. Z izkoriščanjem informacij o globini, zajetih iz različnih zornih kotov, je mogoče učinkovitost modela še povečati.

Ta napredek bi olajšal zbiranje in pripravo bolj raznolikih naborov podatkov ter povečal uporabnost predlaganega pristopa na širšem razponu področij.

Avtorski prispevki:Metodologija, C.-LC, C.-YL, Y.-ML, S.-WC in AKS; Programska oprema, J.-CL, C.-YL, Y.-ML in S.-WC; Validacija, J.-CL, C.-YL in AKS; Formalna analiza, Y.-ML; Pisanje— izvirni osnutek, T.-YS, TC in P.-CH; Nadzor, T.-YS, TC in P.-CH; Administracija projekta, C.-LC Vsi avtorji so prebrali in se strinjajo z objavljeno različico rokopisa.

Financiranje:Ta raziskava ni prejela zunanjega financiranja.

Izjava institucionalnega revizijskega odbora:Se ne uporablja.

Izjava o informirani privolitvi:Se ne uporablja.

Izjava o razpoložljivosti podatkov:Vsi nabori podatkov, uporabljeni v tem dokumentu, so javno dostopni.

Nasprotja interesov:Avtorji izjavljajo, da ni navzkrižja interesov.

Reference

1. Tariq, RA; Vashisht, R.; Sinha, A.; Scherbak, Y. Napake pri dajanju zdravil in preprečevanje; StatPearls: Otok zakladov, FL, ZDA, 2020.

2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Konvolucijska omrežja za segmentacijo biomedicinske slike. V zborniku 18. mednarodne konference, MICCAI, München, Nemčija, 5.–9. oktober 2015; strani 234–241.

3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: globoka konvolucijska nevronska mreža za segmentacijo medicinske slike. V zborniku 33. mednarodnega simpozija IEEE o računalniško podprtih medicinskih sistemih (CBMS), Rochester, MN, ZDA, 28.–30. julij 2020; str. 558–564.

4. Chin, CL; Chang, CL; Liu, YC; Lin, YL Samodejna segmentacija in merjenje indikatorjev glasilk in glotala na slikah laringealne endoskopije z uporabo maske R-CNN. Biomed. inž. Appl. Osnova Obč. 2021, 33, 2150027.

5. Płudowski, J.; Mulawka, J. Strojno učenje pri prepoznavanju osnovnih pljučnih patologij. Appl. Sci. 2022, 12, 8086. [CrossRef]

6. Rajaraman, S.; Guo, P.; Xue, Z.; Antani, SK Skupina, specifična za globoko modalnost, za izboljšanje odkrivanja pljučnice pri rentgenskih slikah prsnega koša. Diagnostics 2022, 12, 1442. [CrossRef] [PubMed]

7. Granata, V.; Fusco, R.; Kosta, M.; Picone, C.; Cozzi, D.; Moroni, C.; Petrillo, A. Predhodno poročilo o funkcijah radionike računalniške tomografije kot biomarkerjev za izbiro imunoterapije pri bolnikih s pljučnim adenokarcinomom. Raki 2021, 13, 3992. [CrossRef] [PubMed]

8. Zarogoulidis, P.; Kioumis, I.; Pitsiou, G.; Porpodis, K.; Lampaki, S.; Papaiwannou, A.; Katsikogiannis, N.; Žarič, B.; Branislav, P.; Sečen, N.; et al. Pnevmotoraks: od definicije do diagnoze in zdravljenja. J. Thorac. Dis. 2014, 6 (dodatek S4), S372–S376. [PubMed]

9. Zhang, R.; Yang, F.; Luo, Y.; Liu, J.; Li, J.; Wang, C. Pozornost, vodena z masko, za klasifikacijo bolezni prsnega koša. Entropija 2021, 23, 653. [CrossRef] [PubMed]

10. Yang, F.; Lu, PX; Deng, M.; Wáng, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Opombe nenormalnosti pljuč v naboru podatkov o rentgenskih slikah prsnega koša Shenzhen za računalniško podprto presejanje pljučnih bolezni. Podatki 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, Culescu, AA; Ankus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL Nova metoda za obdelavo slik pljuč z uporabo kompleksnih omrežij. Tomografija 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Odkrivanje pljučnice na rentgenskih slikah prsnega koša z uporabo ansambla globokih konvolucijskih nevronskih mrež. Appl. Sci. 2022, 12, 6448. [CrossRef]

13. Khishe, M.; Caraffini, F.; Kuhn, S. Razvijajoče se konvolucijske nevronske mreže globokega učenja za zgodnje odkrivanje COVID-19 na rentgenskih slikah prsnega koša. Matematika 2021, 9, 1002. [CrossRef]

14. Cao, F.; Zhao, H. Algoritem samodejne segmentacije pljuč na rentgenskih slikah prsnega koša, ki temelji na fuzijskem variacijskem samodejnem kodirniku in mehanizmu pozornosti s tremi terminali. Symmetry 2021, 13, 814. [CrossRef]

15. Alharithi, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Bouguila, N. Diskriminativni učni pristop, ki temelji na modelu prožne mešanice za kategorizacijo in prepoznavanje medicinskih podatkov. Senzorji 2021, 21, 2450. [CrossRef] [PubMed]

16. Rajaraman, S.; Folio, LR; Dimperio, J.; Alderson, PO; Antani, SK Izboljšana semantična segmentacija tuberkuloze – dosledne ugotovitve pri rentgenskih slikah prsnega koša z uporabo razširjenega usposabljanja modalitetno specifičnih modelov u-net s šibkimi lokalizacijami. Diagnostics 2021, 11, 616. [CrossRef] [PubMed]

17. Shakeri, A.; Konstantelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. Globalni trendi uporabe neposredno delujočih protivirusnih zdravil (DAA) med pandemijo COVID-19: analiza časovnih vrst. Virusi 2021, 13, 1314. [CrossRef] [PubMed]

18. Ellis, R.; Hay-David, AGC; Brennan, PA Delovanje med pandemijo COVID-19: Kako zmanjšati zdravniško napako. Br. J. Oralni maksilofak. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ou, YY; Tsai, AC; Zhou, XP; Wang, JF Samodejno odkrivanje tabletk za droge na podlagi izboljšane funkcije piramidne mreže in konvolucijskih nevronskih mrež. IET Comput. Vis. 2020, 14, 9–17. [CrossRef]

20. Wondmieneh, A.; Alemu, W.; Tadele, N.; Demis, A. Napake pri dajanju zdravil in dejavniki, ki prispevajo med medicinskimi sestrami: presečna študija v terciarnih bolnišnicah, Adis Abeba, Etiopija. BMC Nurs. 2020, 19, 4. [CrossRef] [PubMed]

21. Wang, Y.; Ribera, J.; Liu, C.; Yarlagadda, S.; Zhu, F. Prepoznavanje tabletk z minimalnimi označenimi podatki. V zborniku 2017 tretje mednarodne konference IEEE o multimedijskih velikih podatkih (BigMM), Laguna Hills, CA, ZDA, 19.–21. april 2017; str. 346–353.

22. Kwon, HJ; Kim, HG; Lee, SH Model za odkrivanje tabletk za pregled zdravil, ki temelji na globokem učenju. Chemosensors 2022, 10, 4. [CrossRef]

23. Tan, L.; Huangfu, T.; Wu, L.; Chen, W. Primerjava YOLO v3, hitrejši R-CNN in SSD za identifikacijo tablet v realnem času.

24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS prostorsko-časovna klasifikacija slikovnih pik vegetacije z uporabo konvolucijskih omrežij. IEEE Geosci. Daljinski senzor Lett. 2019, 16, 1665–1669. [CrossRef]

25. Shimizu, A.; Wakabayashi, H.; Kanamori, T.; Saito, A.; Nishikawa, K.; Daisaki, H.; Higashiyama, S.; Kawabe, J. Avtomatsko merjenje indeksa skeniranja kosti iz scintigrama kosti celega telesa. Int. J. Računalništvo. asist. Radiol. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]

26. Nabor podatkov o rentgenskem slikanju prsnega koša NIH. Dostopno na spletu: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (dostopano 2. maja 2023).

27. Cubuk, ED; Zoph, B.; Shlens, J.; Le, QV Randaugment: Praktično avtomatizirano povečevanje podatkov z zmanjšanim iskalnim prostorom. V zborniku konference IEEE/CVF o delavnicah o računalniškem vidu in prepoznavanju vzorcev, Seattle, WA, ZDA, 14.–19. junij 2020; strani 702–703.

28. Označevalec slik VGG. Dostopno na spletu: https://www.robots.ox.ac.uk/vgg/software/via/ (dostopano 26. septembra 2022).

Zavrnitev odgovornosti/opomba založnika:Izjave, mnenja in podatki, vsebovani v vseh publikacijah, so izključno last posameznih avtorjev in sodelavcev in ne MDPI in/ali urednikov. MDPI in/ali urednik(-i) zavračajo odgovornost za kakršne koli poškodbe ljudi ali premoženja, ki so posledica kakršnih koli idej, metod, navodil ali izdelkov, navedenih v vsebini.

【Za več informacij:george.deng@wecistanche.com / WhatsApp:8613632399501】