Künstliche Intelligenz und Skoliose

Obwohl die Aufmerksamkeit für KI im Gesundheitswesen zunimmt, wurden große Fortschritte bei der Übersetzung oder Implementierung dieser Technologien für den klinischen Einsatz erzielt. Daher werden wir im Zuge unserer Forschung ein neues Forschungsgebiet für die Integration künstlicher Intelligenz (KI) in medizinische Beurteilungsinstrumente und im Bereich der Physiotherapie eröffnen. Dadurch sparen Physiotherapeuten Zeit und Aufwand für die Entwicklung ordnungsgemäßer Bewertungen und die Durchführung von Behandlungsplänen, kommen den Patienten und dem Land insgesamt zugute, indem die finanzielle Belastung, die mit der Durchführung genauer Bewertungen und dem Management dieser Fälle verbunden ist, gesenkt wird, und liefert klare, objektive Bewertungen für die meisten Wirbelsäulenerkrankungen Skoliose-Deformitäten sowie eine entsprechende Personalisierung der Behandlungspläne.

Kampfkunst und Methoden

1. Experimentelle Kampfsportarten In diesem Abschnitt werden die Forschungsergebnisse vorgestellt und die verwendeten Methoden sowie die erzielten Ergebnisse detailliert beschrieben. Die Analyse beginnt mit einem Überblick über den verwendeten Datensatz, gefolgt von den Vorverarbeitungsschritten, die durchgeführt werden, um die Datenqualität und Eignung für das Modelltraining sicherzustellen. Tauchen Sie dann in die verschiedenen Ansätze und Modelle ein, die für diese Studie ausgewählt wurden, einschließlich benutzerdefinierter Convolutional Neural Networks (CNNs) und vorab trainierter Modelle, die durch Transferlernen verwendet werden. Jedes Modell wird anhand seiner Leistung bewertet und der Versuchsaufbau und die Bewertungsmetriken zur Messung der Wirksamkeit werden besprochen. Abschließend werden die experimentellen Ergebnisse vorgestellt und eine umfassende Analyse der Modellgenauigkeit, Präzision, Rückrufrate und anderer relevanter Metriken bereitgestellt.

   2.1 Datensatzerhebung Die Daten der Probanden wurden in 2 Gruppen aufgeteilt. Die Gesamtröntgenaufnahme der normalen Wirbelsäule der Gruppe (A) bestand aus 664 Bildern und die Röntgenaufnahme der Gruppe (B) skoliotischer Patienten bestand aus 4307 Bildern. Alle an dieser Studie beteiligten Röntgenaufnahmen der Wirbelsäule wurden nachträglich aus vielfältigen Quellen zusammengestellt, darunter BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox und Roboflow, um eine vielfältige und umfassende Sammlung von Skoliose-bezogenen Bildern zu gewährleisten. Bei Patienten mit Skoliose wurde (1) eine Skoliose unterschiedlicher Ätiologie diagnostiziert, (2) eine klare Röntgenaufnahme der Wirbelsäule für alle Wirbelsäulenverkrümmungen, einschließlich; Hals-, Brust- und Lendenwirbelsäule. (3) C-förmige und Doppel-C-förmige Skoliose. (4) leichte, mittelschwere und schwere skoliotische Grade. (5) Jugendliche mit einem Durchschnittsalter von 17 Jahren. (6) Beide Geschlechter (männlich und weiblich).

2. Zweckmäßige Methodik 2.1 Datenerweiterung Um das Problem der begrenzten Daten anzugehen, haben wir Datenerweiterung eingesetzt, um unseren Datensatz künstlich zu erweitern. Bei dieser Technik werden neue Trainingsbeispiele generiert, indem verschiedene Transformationen auf die vorhandenen Bilder angewendet werden, z. B. Spiegeln, Skalieren und Drehen. Diese Erweiterungen erhöhen nicht nur die Größe des Datensatzes, sondern spielen auch eine entscheidende Rolle bei der Verbesserung der Generalisierungsfähigkeit des Modells, indem sie es einer größeren Vielfalt an Bildvariationen aussetzen. Durch die Simulation verschiedener Betrachtungsbedingungen und Verzerrungen trägt die Datenerweiterung dazu bei, dass das Modell robuster gegenüber Änderungen in der Bildausrichtung, dem Maßstab und anderen Variationen wird, denen es in realen Szenarien begegnen kann. Dieser Prozess ist besonders wichtig bei der medizinischen Bildanalyse, wo die Erfassung großer, unterschiedlicher Datensätze eine Herausforderung darstellen kann. Durch die Datenerweiterung wird sichergestellt, dass das Modell nicht zu sehr an den begrenzten Originaldatensatz anpasst und stattdessen lernt, die zugrunde liegenden Muster zu erkennen, die auf Skoliose hinweisen, was letztendlich seine Leistung und Zuverlässigkeit verbessert.

Originalbilder Gespiegeltes Bild Gedrehtes Bild Skaliertes Bild

. Beispiele für angewandte Datenerweiterungstechniken Bilder 2.2 Vorverarbeitung Eine effektive Vorverarbeitung ist ein entscheidender Schritt bei der Vorbereitung unseres Datensatzes für das Modelltraining, da sie die Qualität und Konsistenz der Bilder verbessert und sie für die Analyse besser geeignet macht. Eine der Schlüsseltechniken war der Histogrammausgleich, der insbesondere in der medizinischen Bildgebung wichtig ist, wo geringfügige Schwankungen der Pixelintensität die Genauigkeit der Klassifizierung erheblich beeinträchtigen können. Der Histogrammausgleich verbessert den Kontrast von Bildern durch eine Neuverteilung ihrer Intensitätswerte und sorgt so dafür, dass das Histogramm – oder die Verteilung der Pixelintensitäten – gleichmäßiger verteilt wird. Dieser Prozess verbessert wichtige Merkmale in den Bildern, wodurch sie informativer und für das Modell einfacher zu interpretieren sind.

2.3 Ansätze und Modellauswahl In dieser Studie werden verschiedene Modelle für maschinelles Lernen und Deep Learning untersucht, um die komplexe Aufgabe der Klassifizierung von Normal- und Skoliosebildern zu bewältigen. Der Forschungsansatz wurde sorgfältig entwickelt, um ein optimales Gleichgewicht zwischen der Erzielung einer hohen Klassifizierungsgenauigkeit und der Aufrechterhaltung der Recheneffizienz zu finden, was für medizinische Anwendungen in der Praxis von entscheidender Bedeutung ist. Eine sorgfältige Auswahl einer Reihe von Modellen, von denen jedes einzigartige Stärken bei der Verarbeitung von Bilddaten bietet, und die Konfiguration, um ihre Leistung für den eingefügten Datensatz zu maximieren. Die folgenden Abschnitte bieten einen umfassenden Überblick über die verwendeten Modelle, die Gründe für ihre Auswahl, ihre spezifischen Konfigurationen und eine detaillierte Analyse der Ergebnisse der Experimente. Diese gründliche Untersuchung verdeutlicht nicht nur die Wirksamkeit der ausgewählten Modelle, sondern bietet auch Einblicke in ihre potenzielle Anwendbarkeit im klinischen Umfeld.

2.3.1 Convolutional Neural Networks (CNNs) nutzen Convolutional Neural Networks (CNNs) für außergewöhnliche Fähigkeiten bei Bildklassifizierungsaufgaben. CNNs zeichnen sich durch die Erfassung räumlicher Hierarchien und Merkmale in Bildern durch eine Kombination aus Faltungsschichten, Pooling-Schichten und dichten Schichten aus. Faltungsschichten: Diese Schichten sind für CNNs von grundlegender Bedeutung, da sie verschiedene Filter auf die Eingabebilder anwenden, um Muster wie Kanten und Texturen zu erkennen und Formen. Durch das Verschieben dieser Filter über das Bild erzeugen Faltungsschichten Feature-Maps, die verschiedene Aspekte des Bildes darstellen. Wir haben mit verschiedenen Filtergrößen und Filterzahlen experimentiert, um den Merkmalsextraktionsprozess zu optimieren.

Pooling-Schichten: Pooling-Schichten, die in der Regel Operationen wie maximales Pooling oder durchschnittliches Pooling verwenden, führen ein Downsampling der von Faltungsschichten erzeugten Feature-Maps durch. Dadurch werden die räumlichen Dimensionen der Feature-Maps reduziert, wodurch die Rechenlast verringert wird und das Modell besser verallgemeinert werden kann, indem die Konzentration auf die hervorstechendsten Features erfolgt. Wir haben Pooling-Schichten eingesetzt, um die Dimensionalität effektiv zu verwalten und die Modelleffizienz zu verbessern.

Dichte Schichten: Nach den Faltungs- und Pooling-Operationen werden dichte Schichten (vollständig verbundene Schichten) verwendet, um die von den Faltungsschichten extrahierten Merkmale zu interpretieren. Dichte Schichten aggregieren die High-Level-Features und führen die endgültige Klassifizierung durch, indem sie die gelernten Darstellungen den Ausgabebezeichnungen zuordnen. Wir haben die Anzahl der dichten Schichten und ihre Einheiten optimiert, um die Fähigkeit des Modells zu verbessern, genaue Vorhersagen zu treffen.

Diese Kombination aus Faltungs-, Pooling- und dichten Schichten ermöglichte uns den Aufbau einer robusten CNN-Architektur, die effektiv zwischen Normal- und Skoliosebildern unterscheidet.

2.3.2 Lernen übertragen

Angesichts der begrenzten Größe unseres Datensatzes haben wir Transferlernen genutzt, um die Modellleistung ohne umfangreiche Rechenressourcen zu verbessern. Beim Transferlernen werden vorab trainierte Modelle verwendet, die anhand großer, unterschiedlicher Datensätze entwickelt wurden, und an unsere spezifische Aufgabe angepasst. Mehrere erweiterte vorab trainierte Modelle, um von ihren erlernten Funktionen zu profitieren:

XceptionNet: XceptionNet ist eine Architektur, die auf in der Tiefe trennbaren Faltungen basiert und Faltungsoperationen in kleinere, effizientere Operationen zerlegt. Dieses Design hilft bei der Erfassung komplexer Merkmale und reduziert gleichzeitig die Rechenkomplexität. Wir haben XceptionNet verfeinert, um die erlernten Funktionen an unsere Skoliose-Klassifizierungsaufgabe anzupassen.

DenseNet201: DenseNet201 zeichnet sich durch sein dichtes Konnektivitätsmuster aus, bei dem jede Schicht Eingaben von allen vorhergehenden Schichten erhält. Dieser Ansatz fördert die Wiederverwendung von Funktionen und verbessert den Gradientenfluss während des Trainings. DenseNet201 wurde genutzt, um seine starken Funktionen zur Merkmalsextraktion zu nutzen und die Genauigkeit unseres Modells zu verbessern.

EfficientNetB0: EfficientNetB0 verwendet eine zusammengesetzte Skalierungsmethode, die die Tiefe, Breite und Auflösung des Netzwerks gleichmäßig skaliert. Dieses Modell ist für sein Gleichgewicht zwischen Genauigkeit und Effizienz bekannt. EfficientNetB0 wurde an den Datensatz angepasst, um von seiner optimierten Architektur und hohen Leistung zu profitieren.

InceptionV3: InceptionV3 verfügt über eine komplexe Architektur mit mehreren parallelen Faltungsoperationen unterschiedlicher Filtergrößen, die es ihm ermöglichen, ein breites Spektrum an Funktionen zu erfassen. InceptionV3 wurde integriert, um die Vorteile seiner robusten Merkmalsextraktion und Multiskalenverarbeitungsfähigkeiten zu nutzen.

MobileNetV2: MobileNetV2 wurde für Mobil- und Edge-Geräte mit Blick auf Effizienz und Geschwindigkeit entwickelt. Es verwendet in der Tiefe trennbare Faltungen, um die Modellgröße und den Rechenaufwand zu reduzieren. MobileNetV2 wird verwendet, um ein Gleichgewicht zwischen Modelleffizienz und Klassifizierungsgenauigkeit zu erreichen.

Durch die Feinabstimmung dieser vorab trainierten Modelle können die Klassifikatoren ihre erweiterten Funktionen zur Merkmalsextraktion nutzen und sie an ausgewählte spezifische Aufgaben zur Klassifizierung von Normal- und Skoliosebildern anpassen, was zu einer verbesserten Leistung und einer kürzeren Trainingszeit führt.