Deep-Learning-Algorithmus zur Erkennung traumatischer Milzverletzungen und sequenzieller Lokalisierung

Hintergrund

Eine Milzverletzung ist die häufigste solide viszerale Verletzung bei einem stumpfen Bauchtrauma, und eine hochauflösende abdominale Computertomographie (CT) kann die Verletzung angemessen erkennen. Diese tödlichen Verletzungen wurden jedoch manchmal in der gegenwärtigen Praxis übersehen. Deep-Learning-Algorithmen haben ihre Fähigkeiten bei der Erkennung von auffälligen Befunden in medizinischen Bildern unter Beweis gestellt. Das Ziel dieser Studie ist die Entwicklung eines dreidimensionalen, unüberwachten Deep-Learning-Algorithmus zur Erkennung von Milzverletzungen im Abdominal-CT unter Verwendung eines sequentiellen Lokalisierungs- und Klassifizierungsansatzes.

Material und Methoden

Wir haben retrospektiv Daten von Patienten gesammelt, die sich in der Notaufnahme des Chang Gung Memorial Hospital, Linko, aufgrund eines Traumas und eines akuten Abdomens von Juli 2008 bis Dezember 2017 einer kontrastverstärkten Abdomen-CT unterzogen hatten. Alle Patienten wurden im Trauma- und Akutabdomenregister registriert. Demografische Informationen, einschließlich Alter, Geschlecht, Krankheitsdiagnose, Traumamechanismus, Verletzungsschwere-Score, neuer Verletzungsschwere-Score, abgekürzte Verletzungsskala und Grad der Milzverletzung, wurden gesammelt. Scans, die eine Milzverletzung zeigten, wurden als positiv identifiziert, und die verbleibenden Scans wurden als Negativkontrollen definiert. Wir identifizierten 300 venöse Phasenscans mit Milzverletzung und wählten zufällig 300 zusätzliche venöse Phasenscans aus den Negativkontrollen aus. CT-Scans mit anderen Bauchtraumaverletzungen als Milzverletzungen wurden nicht ausgeschlossen, um die Auswahlverzerrung zu verringern. Alle Daten wurden nach Alter, Geschlecht, Vorhandensein einer Milzverletzung und Schweregrad der Verletzung unter Verwendung von stratifizierter Stichprobenziehung in den Entwicklungsdatensatz und den Testsatz in einem Verhältnis von 8:2 aufgeteilt. Ein Achtel des Entwicklungsdatensatzes wurde außerdem als Validierungssatz während der Modellkonstruktion reserviert.

Bildvorverarbeitung und Beschriftung

Die CT-Bilder wurden im Originalformat Digital Imaging and Communications in Medicine (DICOM) aufgenommen. Die Bilder wurden dann in das Format der Neuroimaging Informatics Technology Initiative konvertiert, wodurch 3D-Voxel-basierte Bilder erzeugt wurden. Unser Algorithmus wurde dann basierend auf den venösen Axialschnitten entwickelt, der häufigsten Bildgebungsrichtung bei abdominalen Traumauntersuchungen. Während des Trainingsprozesses wurde eine Bilderweiterung durch Translation, Rotation, Skalierung und elastische Verzerrungen angewendet, um die Generalisierbarkeit des Modells zu erhöhen.

Ein Unfallchirurg mit 10 Jahren Erfahrung bestätigte alle positiven und negativen Scans. Bei allen Scans wurde die Milz mit ihrem umgebenden Hintergrund mit einem manuell gezeichneten 3D-Begrenzungsrahmen bedeckt.

Lokalisierung der Milz

Das Lokalisierungsmodell wurde basierend auf 3D Faster RCNN mit Resnet-101 als Backbone-Struktur entworfen und auf dem Entwicklungsdatensatz trainiert. Wir verwendeten Kreuzentropie, fokalen Verlust als Klassenverlust und L1-Verlust, Distanzschnitt über Vereinigung (DIOU) als Box-Regressionsverlust und übernahmen Schnitt über Vereinigung (IOU) und DIOU in nicht maximaler Unterdrückung (NMS) für das Training von der Objekterkennungsalgorithmus.

Identifizierung und Visualisierung von Milzverletzungen

Die zugeschnittenen 3D-Bilder wurden verwendet, um das Klassifizierungsmodell für Milzverletzungen zu entwickeln. Wir haben die Blockarchitektur modifiziert, um die Interpretierbarkeit des Argumentationsprozesses des gelernten Netzwerks zu verbessern. Die Ausgabe des Modells war die Wahrscheinlichkeit einer Milzverletzung.

Die Modellleistung wurde unter Verwendung der Fläche unter der Receiver Operating Characteristic Curve (AUROC), der Genauigkeit, Empfindlichkeit, Spezifität, des positiven Vorhersagewerts und des negativen Vorhersagewerts bewertet.