Umělá inteligence a skolióza

Přestože se pozornost v oblasti umělé inteligence související se zdravotní péčí rozšiřuje, došlo k velkému pokroku v překladu nebo implementaci těchto technologií pro klinické použití. Proto při provádění našeho výzkumu otevřeme nový studijní obor pro integraci umělé inteligence (AI) do nástrojů lékařského hodnocení a fyzikální terapie. To ušetří fyzioterapeutům čas a úsilí při vypracování řádného hodnocení a provádění léčebných plánů, prospěje to pacientům i celé zemi tím, že sníží finanční zátěž spojenou s přesným hodnocením a řízením těchto případů a poskytne jasná a objektivní hodnocení pro většinu páteřních onemocnění. deformity skoliózy a také vhodnou personalizaci léčebných plánů.

Bojová technika a metody

1. Bojové experimenty Tato část představuje výsledky výzkumu, podrobně popisuje použité metodiky a získané výsledky. Analýza začíná přehledem použité datové sady, po níž následují kroky předběžného zpracování provedené k zajištění kvality dat a vhodnosti pro modelování. poté se ponořte do různých přístupů a modelů vybraných pro tuto studii, včetně vlastních konvolučních neuronových sítí (CNN) a předem trénovaných modelů využívaných prostřednictvím přenosového učení. Každý model je posuzován na základě jeho výkonu a diskutováno experimentální nastavení a hodnotící metriky používané k měření efektivity. A konečně prezentace experimentálních výsledků, které poskytují komplexní analýzu přesnosti modelu, přesnosti, stažení a dalších relevantních metrik.

   2.1 Sběr datových souborů Data subjektů byla rozdělena do 2 skupin. Skupina (A) normálního celkového rentgenu páteře sestávala z 664 snímků a skupina (B) rentgenových snímků pacientů se skolioty sestávala z 4307 snímků. Všechny rentgenové snímky páteře zahrnuté v této studii byly retrospektivně sestaveny z různých zdrojů, včetně BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox a Roboflow, což zajistilo rozmanitou a komplexní sbírku snímků souvisejících se skoliózou. U pacientů se skoliózou byla (1) diagnostikována skolióza různé etiologie, (2) Čistý RTG snímek páteře pro všechna zakřivení páteře včetně; krční, hrudní a řezivo. (3) Skolióza ve tvaru C a ve tvaru dvojitého C. (4) mírné, střední a těžké stupně skoliózy. (5) Dospívající s průměrným věkem 17 let (6) Obě pohlaví (muž i žena).

2. Účelová metodika 2.1 Rozšíření dat Abychom vyřešili problém omezených dat, použili jsme augmentaci dat k umělému rozšíření naší datové sady. Tato technika zahrnuje generování nových tréninkových vzorků aplikací různých transformací na existující obrázky, jako je překlápění, změna měřítka a otáčení. Tato rozšíření nejen zvětšují velikost datové sady, ale také hrají klíčovou roli při zlepšování schopnosti modelu zobecňovat tím, že jej vystavují širší škále variací obrázků. Simulací různých podmínek zobrazení a zkreslení pomáhá augmentace dat modelu stát se odolnějším vůči změnám v orientaci obrazu, měřítku a dalším variacím, se kterými se může setkat ve scénářích reálného světa. Tento proces je zvláště důležitý při analýze lékařských snímků, kde může být získání velkých a různorodých datových souborů náročné. Augmentace dat zajišťuje, že model nepřesahuje omezený původní soubor dat a místo toho se učí rozpoznávat základní vzorce, které svědčí pro skoliózu, což v konečném důsledku zlepšuje jeho výkon a spolehlivost.

Původní obrázky Převrácený obrázek Otočený obrázek Obrázek v měřítku

. Příklady technik augmentace dat Aplikované snímky 2.2 Předzpracování Efektivní předběžné zpracování je kritickým krokem při přípravě naší datové sady pro trénování modelu, protože zvyšuje kvalitu a konzistenci snímků a činí je vhodnějšími pro analýzu. Jednou z klíčových technik byla ekvalizace histogramu, která je zvláště důležitá v lékařském zobrazování, kde jemné odchylky v intenzitě pixelů mohou významně ovlivnit přesnost klasifikace. Vyrovnání histogramu zlepšuje kontrast snímků redistribucí jejich hodnot intenzity a zajišťuje, že histogram – nebo rozložení intenzit pixelů – je rovnoměrněji rozprostřen. Tento proces vylepšuje důležité funkce v obrázcích, díky čemuž jsou informativnější a pro model snadněji interpretovatelné.

2.3 Přístupy a výběr modelu Tato studie zkoumá různé modely strojového učení a hlubokého učení, aby se vypořádala se složitým úkolem klasifikace normálních a skoliózových snímků. Výzkumný přístup byl pečlivě navržen tak, aby nalezl optimální rovnováhu mezi dosažením vysoké přesnosti klasifikace a zachováním výpočetní účinnosti, která je zásadní pro lékařské aplikace v reálném světě. Pečlivý výběr řady modelů, z nichž každý nabízí jedinečné přednosti při manipulaci s obrazovými daty, a jejich konfigurace pro maximalizaci jejich výkonu na vložené datové sadě. Následující odstavce poskytují komplexní přehled použitých modelů, zdůvodnění jejich výběru, jejich specifické konfigurace a podrobnou analýzu výsledků získaných z experimentů. Toto důkladné vyšetření nejen zdůrazňuje účinnost vybraných modelů, ale také nabízí pohled na jejich potenciální použitelnost v klinických podmínkách.

2.3.1 Konvoluční neuronové sítě (CNN) využívaly konvoluční neuronové sítě (CNN) pro výjimečné schopnosti v úlohách klasifikace snímků. CNN vynikají v zachycování prostorových hierarchií a prvků v obrazech prostřednictvím kombinace konvolučních vrstev, sdružovacích vrstev a hustých vrstev Konvoluční vrstvy: Tyto vrstvy jsou pro CNN zásadní, protože na vstupní obrazy aplikují různé filtry k detekci vzorů, jako jsou hrany, textury. a tvary. Posouváním těchto filtrů po obrázku generují konvoluční vrstvy mapy prvků, které představují různé aspekty obrázku. Experimentovali jsme s různými velikostmi filtrů a počtem filtrů, abychom optimalizovali proces extrakce prvků.

Sdružování vrstev: Sdružování vrstev, obvykle pomocí operací, jako je maximální sdružování nebo průměrné sdružování, odebírá vzorky map prvků vytvořených konvolučními vrstvami. Tím se zmenšují prostorové rozměry map prvků, čímž se snižuje výpočetní zátěž a model se lépe zobecňuje tím, že se zaměří na nejvýraznější prvky. Použili jsme sdružovací vrstvy, abychom efektivně řídili dimenzionalitu a zlepšili efektivitu modelu.

Husté vrstvy: Po operacích konvoluce a sdružování se husté vrstvy (plně spojené vrstvy) používají k interpretaci prvků extrahovaných konvolučními vrstvami. Husté vrstvy agregují prvky na vysoké úrovni a provádějí konečnou klasifikaci mapováním naučených reprezentací na výstupní štítky. Vyladili jsme počet hustých vrstev a jejich jednotek, abychom zlepšili schopnost modelu provádět přesné předpovědi.

Tato kombinace konvolučních, sdružovacích a hustých vrstev nám umožnila vybudovat robustní architekturu CNN, která efektivně rozlišuje mezi snímky Normal a Skolióza.

2.3.2 Přenos učení

Vzhledem k omezené velikosti naší datové sady jsme využili přenosové učení ke zvýšení výkonu modelu bez rozsáhlých výpočetních zdrojů. Přenosové učení zahrnuje použití předem vyškolených modelů – vyvinutých na velkých, různorodých souborech dat – a jejich přizpůsobení našemu konkrétnímu úkolu. několik pokročilých předtrénovaných modelů, které těží z jejich naučených funkcí:

XceptionNet: XceptionNet je architektura založená na hloubkově oddělitelných konvolucích, která rozkládá konvoluční operace na menší, efektivnější operace. Tento návrh pomáhá zachytit složité funkce a zároveň snížit výpočetní složitost. Vyladili jsme XceptionNet, abychom přizpůsobili jeho naučené funkce našemu úkolu klasifikace skoliózy.

DenseNet201: DenseNet201 se vyznačuje hustou konektivitou, kde každá vrstva přijímá vstup ze všech předchozích vrstev. Tento přístup podporuje opětovné použití funkcí a zlepšuje tok gradientu během tréninku. DenseNet201 využitý k využití jeho silných funkcí extrakce funkcí a zvýšení přesnosti našeho modelu.

EfficientNetB0: EfficientNetB0 využívá metodu složeného škálování, která jednotně upravuje hloubku, šířku a rozlišení sítě. Tento model je známý svou rovnováhou mezi přesností a účinností. EfficientNetB0 přizpůsobený datové sadě, aby mohl těžit z jeho optimalizované architektury a vysokého výkonu.

InceptionV3: InceptionV3 se vyznačuje komplexní architekturou s více paralelními konvolučními operacemi různých velikostí filtrů, což umožňuje zachytit širokou škálu funkcí. InceptionV3 začleněno, aby využilo jeho robustní extrakci funkcí a víceúrovňové zpracování.

MobileNetV2: MobileNetV2 je navržen pro mobilní a okrajová zařízení s ohledem na efektivitu a rychlost. Využívá hloubkově oddělitelné konvoluce ke snížení velikosti modelu a výpočetních požadavků. MobileNetV2 se používá k dosažení rovnováhy mezi efektivitou modelu a přesností klasifikace.

Jemné vyladění těchto předem trénovaných modelů umožňuje klasifikátorům využít jejich pokročilé možnosti extrakce funkcí a přizpůsobit je vybraným specifickým úkolům klasifikace snímků normální a skoliózy, což vede ke zlepšení výkonu a zkrácení doby tréninku.