Kunstig intelligens og skoliose

Selvom opmærksomheden inden for kunstig intelligens relateret til sundhedspleje udvides, er der sket store fremskridt med at oversætte eller implementere disse teknologier til klinisk brug. Derfor vil vi, mens vi udfører vores forskning, åbne et nyt studiefelt for integration af kunstig intelligens (AI) i medicinske vurderingsværktøjer og fysioterapiområdet. Dette vil spare fysioterapeuter for tid og kræfter til at udvikle korrekte evalueringer og gennemførelse af behandlingsplaner, gavne patienterne og landet generelt ved at sænke den økonomiske byrde forbundet med at foretage nøjagtige evalueringer og håndtering af disse tilfælde, og give klare, objektive evalueringer for størstedelen af ​​rygmarvssygdomme. skoliosedeformiteter samt passende personalisering til behandlingsplaner.

Kamp og metoder

1. Eksperimentkampe Dette afsnit præsenterer resultaterne af forskningen, beskriver de anvendte metoder og de opnåede resultater. Analysen begynder med en oversigt over det anvendte datasæt, efterfulgt af de forbehandlingstrin, der er foretaget for at sikre datakvalitet og egnethed til modeltræning. dyk derefter ned i de forskellige tilgange og modeller, der er udvalgt til denne undersøgelse, herunder både brugerdefinerede Convolutional Neural Networks (CNN'er) og fortrænede modeller, der anvendes gennem overførselslæring. Hver model vurderes baseret på dens ydeevne og diskuterer den eksperimentelle opsætning og evalueringsmetrikker, der bruges til at måle effektivitet. Til sidst præsenterer de eksperimentelle resultater, der giver en omfattende analyse af modellens nøjagtighed, præcision, genkaldelse og andre relevante målinger.

   2.1 Datasætindsamling Data fra forsøgspersonerne blev opdelt i 2 grupper. Gruppe (A) normal rygsøjle total røntgen bestod af 664 billeder og gruppe (B) røntgen af ​​skoliotiske patienter bestod af 4307 billeder. Alle spinal røntgenbilleder involveret i denne undersøgelse blev retrospektivt kompileret fra mange kilder, herunder BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox og Roboflow, hvilket sikrer en mangfoldig og omfattende samling af skoliose-relaterede billeder. Patient med skoliose blev (1) diagnosticeret med skoliose for forskellig ætiologi, (2) Clear X-Ray for rygsøjlen for alle spinal krumninger inklusive; cervikal, thorax og tømmer. (3) C-formet og dobbelt C-formet skoliose. (4) milde, moderate og svære skoliotiske grader. (5) Unge med gennemsnitsalder 17(6) Både køn (mand og kvinde).

2. Formålsmetodologi 2.1 Dataforøgelse For at løse problemet med begrænsede data brugte vi dataforøgelse til kunstigt at udvide vores datasæt. Denne teknik involverer generering af nye træningsprøver ved at anvende forskellige transformationer til de eksisterende billeder, såsom vending, skalering og rotation. Disse forstørrelser øger ikke kun datasætstørrelsen, men spiller også en afgørende rolle i at forbedre modellens evne til at generalisere ved at udsætte den for en bredere vifte af billedvariationer. Ved at simulere forskellige visningsforhold og forvrængninger hjælper dataforøgelse modellen med at blive mere robust over for ændringer i billedorientering, skala og andre variationer, som den kan støde på i virkelige scenarier. Denne proces er særlig vigtig i medicinsk billedanalyse, hvor det kan være en udfordring at anskaffe store, forskellige datasæt. Dataforøgelse sikrer, at modellen ikke passer til det begrænsede originale datasæt og i stedet lærer at genkende de underliggende mønstre, der er tegn på skoliose, hvilket i sidste ende forbedrer dens ydeevne og pålidelighed.

Originalbilleder Spejlvendt billede Roteret billede Skaleret billede

. Eksempler på dataforøgelsesteknikker anvendte billeder 2.2 Forbehandling Effektiv forbehandling er et kritisk trin i forberedelsen af ​​vores datasæt til modeltræning, da det forbedrer kvaliteten og konsistensen af ​​billederne, hvilket gør dem mere egnede til analyse. En af nøgleteknikkerne var histogramudligning, hvilket er særligt vigtigt i medicinsk billeddannelse, hvor subtile variationer i pixelintensitet kan påvirke klassificeringens nøjagtighed betydeligt. Histogramudligning forbedrer kontrasten i billeder ved at omfordele deres intensitetsværdier, hvilket sikrer, at histogrammet - eller fordelingen af ​​pixelintensiteter - er mere jævnt spredt ud. Denne proces forbedrer vigtige funktioner i billederne, hvilket gør dem mere informative og nemmere for modellen at fortolke.

2.3 Fremgangsmåder og modelvalg Denne undersøgelse undersøger forskellige maskinlærings- og deep learning-modeller for at tackle den komplekse opgave med at klassificere normale billeder og skoliosebilleder. Forskningstilgangen blev omhyggeligt designet til at finde en optimal balance mellem at opnå høj klassifikationsnøjagtighed og opretholdelse af beregningseffektivitet, hvilket er afgørende for medicinske anvendelser i den virkelige verden. Et omhyggeligt udvalg for række af modeller, der hver tilbyder unikke styrker i håndtering af billeddata og konfigureret dem til at maksimere deres ydeevne på det indsatte datasæt. De følgende afsnit giver et omfattende overblik over de anvendte modeller, rationalet bag deres valg, deres specifikke konfigurationer og en detaljeret analyse af resultaterne opnået fra eksperimenterne. Denne grundige undersøgelse fremhæver ikke kun effektiviteten af ​​de valgte modeller, men giver også indsigt i deres potentielle anvendelighed i kliniske omgivelser.

2.3.1 Convolutional Neural Networks (CNN'er) brugte Convolutional Neural Networks (CNN'er) til enestående kapacitet i billedklassificeringsopgaver. CNN'er udmærker sig ved at fange rumlige hierarkier og funktioner i billeder gennem en kombination af foldningslag, poolinglag og tætte lag Konvolutionslag: Disse lag er grundlæggende for CNN'er, da de anvender forskellige filtre på inputbillederne for at detektere mønstre såsom kanter, teksturer , og former. Ved at skubbe disse filtre hen over billedet genererer foldede lag funktionskort, der repræsenterer forskellige aspekter af billedet. Vi eksperimenterede med forskellige filterstørrelser og antal af filtre for at optimere funktionsudtrækningsprocessen.

Pooling af lag: Pooling af lag, typisk ved hjælp af operationer såsom maksimal pooling eller gennemsnitlig pooling, nedsampler de funktionskort, der er produceret af foldningslag. Dette reducerer de rumlige dimensioner af funktionskortene, og reducerer derved beregningsbelastningen og hjælper modellen med at generalisere bedre ved at fokusere på de mest fremtrædende funktioner. Vi brugte pooling-lag til effektivt at styre dimensionaliteten og forbedre modellens effektivitet.

Tætte lag: Efter foldnings- og sammenlægningsoperationerne blev tætte lag (fuldt forbundne lag) brugt til at fortolke de funktioner, der er udtrukket af foldningslagene. Tætte lag samler funktionerne på højt niveau og udfører den endelige klassificering ved at kortlægge de indlærte repræsentationer til outputetiketterne. Vi justerede antallet af tætte lag og deres enheder for at forbedre modellens evne til at lave præcise forudsigelser.

Denne kombination af foldning, pooling og tætte lag gjorde det muligt for os at bygge en robust CNN-arkitektur, der effektivt skelner mellem normale og skoliose-billeder.

2.3.2 Overfør læring

I betragtning af den begrænsede størrelse af vores datasæt udnyttede vi overførselslæring til at forbedre modellens ydeevne uden omfattende beregningsressourcer. Overførselslæring involverer at bruge fortrænede modeller - udviklet på store, forskellige datasæt - og tilpasse dem til vores specifikke opgave. flere avancerede fortrænede modeller for at drage fordel af deres indlærte funktioner:

XceptionNet: XceptionNet er en arkitektur baseret på dybdemæssigt separerbare foldninger, som dekomponerer foldningsoperationer til mindre, mere effektive operationer. Dette design hjælper med at fange komplekse funktioner, samtidig med at det reducerer beregningsmæssig kompleksitet. Vi finjusterede XceptionNet for at tilpasse dets indlærte funktioner til vores skolioseklassificeringsopgave.

DenseNet201: DenseNet201 er kendetegnet ved sit tætte forbindelsesmønster, hvor hvert lag modtager input fra alle foregående lag. Denne tilgang fremmer genbrug af funktioner og forbedrer gradientflow under træning. DenseNet201 udnyttes til at udnytte sine stærke egenskaber til ekstraktion og forbedre vores models nøjagtighed.

EfficientNetB0: EfficientNetB0 anvender en sammensat skaleringsmetode, der ensartet skalerer netværkets dybde, bredde og opløsning. Denne model er kendt for sin balance mellem nøjagtighed og effektivitet. EfficientNetB0 tilpasset datasættet for at drage fordel af dets optimerede arkitektur og høje ydeevne.

InceptionV3: InceptionV3 har en kompleks arkitektur med flere parallelle foldningsoperationer af varierende filterstørrelser, hvilket gør det muligt at fange en lang række funktioner. InceptionV3 indarbejdet for at drage fordel af dens robuste funktionsudvinding og multi-skala behandlingsevner.

MobileNetV2: MobileNetV2 er designet til mobile og edge-enheder med effektivitet og hastighed i tankerne. Den bruger dybdemæssigt adskillelige foldninger for at reducere modelstørrelse og beregningskrav. MobileNetV2 bruges til at opnå en balance mellem modeleffektivitet og klassificeringsnøjagtighed.

Ved at finjustere disse fortrænede modeller, gør klassifikatorerne i stand til at udnytte deres avancerede egenskaber til ekstraktion af funktioner og tilpasse dem til udvalgte specifikke opgaver med at klassificere normale og skoliose-billeder, hvilket resulterer i forbedret ydeevne og reduceret træningstid.