Algoritmus hlubokého učení pro detekci traumatického poranění sleziny a sekvenční lokalizaci

Pozadí

Poranění sleziny je nejčastějším solidním viscerálním poraněním u tupého břišního traumatu a břišní počítačová tomografie s vysokým rozlišením (CT) může toto poranění adekvátně detekovat. Tato smrtelná zranění však byla v současné praxi někdy přehlížena. Algoritmy hlubokého učení prokázaly své schopnosti při odhalování abnormálních nálezů v lékařských snímcích. Cílem této studie je vyvinout trojrozměrný algoritmus hlubokého učení bez dozoru pro detekci poranění sleziny na CT břicha pomocí sekvenčního lokalizačního a klasifikačního přístupu.

Materiály a metody

Retrospektivně jsme shromáždili data od pacientů, kteří podstoupili kontrastní CT břicha na pohotovostním oddělení nemocnice Chang Gung Memorial Hospital, Linko, kvůli traumatu a akutnímu břichu od července 2008 do prosince 2017. Všichni pacienti byli registrováni v registrech traumatu a akutního břicha. Byly shromážděny demografické informace, včetně věku, pohlaví, diagnózy onemocnění, mechanismu traumatu, skóre závažnosti poranění, nové skóre závažnosti poranění, zkrácená stupnice poranění a stupeň poranění sleziny. Snímky ukazující poranění sleziny byly identifikovány jako pozitivní a zbývající skeny byly definovány jako negativní kontroly. Identifikovali jsme 300 skenů žilní fáze s poraněním sleziny a náhodně jsme vybrali 300 dalších skenů žilní fáze z negativních kontrol. CT skeny s abdominálním traumatem jiným než poranění sleziny nebyly vyloučeny, aby se snížilo zkreslení výběru. Všechna data byla rozdělena podle věku, pohlaví, přítomnosti poranění sleziny a skóre závažnosti poranění pomocí stratifikovaného vzorkování do vývojového souboru dat a testovacího souboru v poměru 8:2. Jedna osmina vývojové datové sady byla dále vyhrazena jako validační sada během konstrukce modelu.

Předzpracování a označování obrazu

CT snímky byly pořízeny v původním formátu Digital Imaging and Communications in Medicine (DICOM). Snímky byly poté převedeny do formátu Neuroimaging Informatics Technology Initiative, čímž vznikly 3D obrázky založené na voxelu. Náš algoritmus byl poté vyvinut na základě žilních axiálních řezů, nejběžnějšího zobrazovacího směru při průzkumech abdominálních traumat. Během tréninkového procesu bylo aplikováno zvětšení obrazu translací, rotací, změnou měřítka a elastickými deformacemi pro zvýšení zobecnitelnosti modelu.

Úrazový chirurg s 10letou praxí potvrdil všechny pozitivní i negativní skeny. Ve všech skenech byla slezina s okolním pozadím pokryta ručně nakresleným 3D ohraničujícím rámečkem.

Lokalizace sleziny

Lokalizační model byl navržen na základě 3D Faster RCNN s Resnet-101 jako páteřní strukturou a natrénován na vývojovém datovém souboru. Použili jsme křížovou entropii, ohniskovou ztrátu jako ztrátu třídy a ztrátu L1, průnik vzdálenosti přes sjednocení (DIOU) jako ztrátu regrese boxu a přijali jsme průnik přes sjednocení (IOU) a DIOU v nemaximálním potlačení (NMS) pro trénování algoritmus detekce objektů.

Identifikace a vizualizace poranění sleziny

Oříznuté 3D snímky byly použity k vytvoření modelu klasifikace poranění sleziny. Upravili jsme blokovou architekturu, abychom zlepšili interpretovatelnost procesu uvažování naučené sítě. Výstupem modelu byla pravděpodobnost poranění sleziny.

Výkon modelu byl hodnocen pomocí oblasti pod křivkou provozní charakteristiky přijímače (AUROC), přesnosti, citlivosti, specifičnosti, pozitivní prediktivní hodnoty a negativní prediktivní hodnoty.