Dyb indlæringsalgoritme til påvisning af traumatisk miltskade og sekventiel lokalisering

Baggrund

Miltskade er den mest almindelige solide viscerale skade ved stumpt abdominal traume, og højopløsnings abdominal computertomografi (CT) kan i tilstrækkelig grad detektere skaden. Disse dødelige skader er dog nogle gange blevet overset i den nuværende praksis. Deep learning algoritmer har bevist deres evner til at opdage unormale fund i medicinske billeder. Formålet med denne undersøgelse er at udvikle en tredimensionel, uovervåget dyb læringsalgoritme til påvisning af miltskade på abdominal CT ved hjælp af en sekventiel lokaliserings- og klassifikationstilgang.

Materialer og metoder

Vi indsamlede retrospektivt data fra patienter, der gennemgik kontrastforstærket abdominal CT på skadestuen på Chang Gung Memorial Hospital, Linko på grund af traumer og akut abdomen fra juli 2008 til december 2017. Alle patienter blev registreret i traume- og akut abdomenregistrene. Demografiske oplysninger, herunder alder, køn, sygdomsdiagnose, traumemekanisme, skadesgrad, ny skadesgrad, forkortet skadeskala og miltskadegrad blev indsamlet. Scanninger, der viste miltskade, blev identificeret som positive, og de resterende scanninger blev defineret som negative kontroller. Vi identificerede 300 venøse fasescanninger med miltskade og tilfældigt udvalgte 300 yderligere venøse fasescanninger fra de negative kontroller. CT-scanninger med andre abdominale traumeskader end miltskade blev ikke udelukket for at reducere selektionsbias. Alle data blev opdelt efter alder, køn, tilstedeværelsen af ​​miltskade og skadens sværhedsgrad ved brug af stratificeret prøvetagning i udviklingsdatasættet og testen sat til et forhold på 8:2. En ottendedel af udviklingsdatasættet blev yderligere reserveret som valideringssættet under modelkonstruktionen.

Billedforbehandling og etikettering

CT-scanningsbillederne blev erhvervet i det originale Digital Imaging and Communications in Medicine (DICOM) format. Billederne blev derefter konverteret til Neuroimaging Informatics Technology Initiative-formatet, hvilket producerede 3D voxel-baserede billeder. Vores algoritme blev derefter udviklet baseret på de venøse aksiale skiver, den mest almindelige billeddannelsesretning i abdominale traumeundersøgelser. Under træningsprocessen blev billedforstørrelse ved translation, rotation, skalering og elastiske forvrængninger anvendt for at øge modellens generaliserbarhed.

En traumekirurg med 10 års erfaring bekræftede alle de positive og negative scanninger. I alle scanninger var milten med dens omgivende baggrund dækket af en manuelt tegnet 3D afgrænsningsramme.

Milt lokalisering

Lokaliseringsmodellen blev designet baseret på 3D Faster RCNN med Resnet-101 som rygradsstruktur og trænet på udviklingsdatasættet. Vi brugte krydsentropi, focal loss som klassetab og L1 tab, distance skæring over union (DIOU) som kasseregression tab, og adopterede skærings over union (IOU) og DIOU i ikke-maksimal undertrykkelse (NMS) til træning af objektdetektionsalgoritmen.

Identifikation og visualisering af miltskade

De beskårne 3D-billeder blev brugt til at udvikle miltskadeklassificeringsmodellen. Vi modificerede blokarkitekturen for at forbedre fortolkningen af ​​ræsonnementsprocessen i det indlærte netværk. Modellens output var sandsynligheden for miltskade.

Modelydeevnen blev evalueret ved hjælp af arealet under modtagerens driftskarakteristikkurve (AUROC), nøjagtighed, følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelsesværdi.