Algoritmo de aprendizaje profundo para la detección de lesiones esplénicas traumáticas y localización secuencial

Fondo

La lesión esplénica es la lesión visceral sólida más común en el traumatismo abdominal cerrado, y la tomografía computarizada (TC) abdominal de alta resolución puede detectar adecuadamente la lesión. Sin embargo, estas lesiones letales en algún momento se han pasado por alto en la práctica actual. Los algoritmos de aprendizaje profundo han demostrado su capacidad para detectar hallazgos anormales en imágenes médicas. El objetivo de este estudio es desarrollar un algoritmo de aprendizaje profundo no supervisado tridimensional para detectar lesiones esplénicas en la TC abdominal utilizando un enfoque secuencial de localización y clasificación.

Material y métodos

Recopilamos retrospectivamente datos de pacientes que se sometieron a una TC abdominal con contraste en el departamento de emergencias del Chang Gung Memorial Hospital, Linko, debido a traumatismos y abdomen agudo desde julio de 2008 hasta diciembre de 2017. Todos los pacientes estaban registrados en los registros de trauma y abdomen agudo. Se recopiló información demográfica, incluida la edad, el sexo, el diagnóstico de la enfermedad, el mecanismo del trauma, la puntuación de gravedad de la lesión, la puntuación de gravedad de la lesión nueva, la escala de lesión abreviada y el grado de lesión del bazo. Las exploraciones que mostraban lesión esplénica se identificaron como positivas y las exploraciones restantes se definieron como controles negativos. Identificamos 300 exploraciones de fase venosa con lesión esplénica y seleccionamos aleatoriamente 300 exploraciones de fase venosa adicionales de los controles negativos. Las tomografías computarizadas con lesiones traumáticas abdominales distintas de la lesión esplénica no se excluyeron para reducir el sesgo de selección. Todos los datos se dividieron por edad, sexo, presencia de lesión esplénica y puntuación de gravedad de la lesión utilizando un muestreo estratificado en el conjunto de datos de desarrollo y el conjunto de prueba en una proporción de 8:2. Una octava parte del conjunto de datos de desarrollo se reservó además como conjunto de validación durante la construcción del modelo.

Preprocesamiento y etiquetado de imágenes

Las imágenes de tomografía computarizada se adquirieron en el formato original de Imágenes digitales y comunicaciones en medicina (DICOM). Luego, las imágenes se convirtieron al formato de la Iniciativa de Tecnología Informática de Neuroimágenes, produciendo imágenes 3D basadas en vóxeles. Luego, nuestro algoritmo se desarrolló en función de los cortes axiales venosos, la dirección de imagen más común en las encuestas de trauma abdominal. Durante el proceso de entrenamiento, se aplicó el aumento de imágenes por traducción, rotación, escalado y distorsiones elásticas para aumentar la generalización del modelo.

Un cirujano de trauma con 10 años de experiencia confirmó todos los escaneos positivos y negativos. En todos los escaneos, el bazo con su fondo circundante se cubrió con un cuadro delimitador 3D dibujado manualmente.

localización del bazo

El modelo de localización se diseñó en base a 3D Faster RCNN con Resnet-101 como estructura principal y se entrenó en el conjunto de datos de desarrollo. Usamos entropía cruzada, pérdida focal como pérdida de clase y pérdida L1, intersección de distancia sobre unión (DIOU) como pérdida de regresión de caja, y adoptamos intersección sobre unión (IOU) y DIOU en supresión no máxima (NMS) para el entrenamiento de el algoritmo de detección de objetos.

Identificación y visualización de lesiones en el bazo

Las imágenes 3D recortadas se usaron para desarrollar el modelo de clasificación de lesiones esplénicas. Modificamos la arquitectura de bloques para mejorar la interpretabilidad del proceso de razonamiento de la red aprendida. El resultado del modelo fue la probabilidad de lesión esplénica.

El rendimiento del modelo se evaluó utilizando el área bajo la curva característica operativa del receptor (AUROC), la precisión, la sensibilidad, la especificidad, el valor predictivo positivo y el valor predictivo negativo.