Inteligencia artificial y escoliosis

Aunque se está ampliando la atención en la IA relacionada con la atención sanitaria, ha habido muchos avances en la traducción o implementación de estas tecnologías para uso clínico. Por lo tanto, a medida que llevemos a cabo nuestra investigación, abriremos un nuevo campo de estudio para la integración de la inteligencia artificial (IA) en las herramientas de evaluación médica y el campo de la fisioterapia. Esto ahorrará a los fisioterapeutas tiempo y esfuerzo para desarrollar evaluaciones y planes de tratamiento adecuados, beneficiará a los pacientes y al país en general al reducir la carga financiera asociada con la realización de evaluaciones y el manejo precisos de estos casos, y proporcionará evaluaciones claras y objetivas para la mayoría de los problemas de la columna. deformidades por escoliosis, así como una personalización adecuada de los planes de tratamiento.

Marcial y métodos

1. Experimento marcial Esta sección presenta los resultados de la investigación, detallando las metodologías empleadas y los resultados obtenidos. El análisis comienza con una descripción general del conjunto de datos utilizado, seguido de los pasos de preprocesamiento realizados para garantizar la calidad de los datos y su idoneidad para la capacitación del modelo. luego profundice en los diversos enfoques y modelos seleccionados para este estudio, incluidas las redes neuronales convolucionales (CNN) personalizadas y los modelos previamente entrenados utilizados a través del aprendizaje por transferencia. Cada modelo se evalúa en función de su rendimiento y se analiza la configuración experimental y las métricas de evaluación utilizadas para medir la eficacia. Finalmente, presentar los resultados experimentales, proporcionando un análisis integral de la exactitud, precisión, recuperación y otras métricas relevantes del modelo.

   2.1 Recopilación del conjunto de datos Los datos de los sujetos se dividieron en 2 grupos. La radiografía total de la columna vertebral normal del grupo (A) consistió en 664 imágenes y la radiografía de pacientes escolióticos del grupo (B) consistió en 4307 imágenes. Todas las radiografías de columna involucradas en este estudio se compilaron retrospectivamente de múltiples fuentes, incluidas BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox y Roboflow, lo que garantiza una colección diversa y completa de imágenes relacionadas con la escoliosis. Los pacientes con escoliosis fueron (1) diagnosticados con escoliosis por diferentes etiologías, (2) Radiografía clara de la columna para todas las curvaturas de la columna, incluidas; cervical, torácica y lumbar. (3) Escoliosis en forma de C y doble C. (4) grados escolióticos leves, moderados y severos. (5) Adolescentes con edad media 17 años (6) Ambos sexos (masculino y femenino).

2. Metodología propuesta 2.1 Aumento de datos Para abordar el problema de los datos limitados, empleamos el aumento de datos para expandir artificialmente nuestro conjunto de datos. Esta técnica implica generar nuevas muestras de entrenamiento aplicando varias transformaciones a las imágenes existentes, como voltear, escalar y rotar. Estos aumentos no solo aumentan el tamaño del conjunto de datos, sino que también desempeñan un papel crucial en la mejora de la capacidad del modelo para generalizar al exponerlo a una variedad más amplia de variaciones de imagen. Al simular diferentes condiciones de visualización y distorsiones, el aumento de datos ayuda a que el modelo se vuelva más robusto ante los cambios en la orientación, escala y otras variaciones de la imagen que puede encontrar en escenarios del mundo real. Este proceso es particularmente importante en el análisis de imágenes médicas, donde adquirir conjuntos de datos grandes y diversos puede resultar un desafío. El aumento de datos garantiza que el modelo no se ajuste demasiado al conjunto de datos original limitado y, en cambio, aprenda a reconocer los patrones subyacentes que son indicativos de escoliosis, lo que en última instancia mejora su rendimiento y confiabilidad.

Imágenes originales Imagen invertida Imagen girada Imagen escalada

. Ejemplos de técnicas de aumento de datos aplicadas Imágenes 2.2 Preprocesamiento El preprocesamiento efectivo es un paso crítico en la preparación de nuestro conjunto de datos para el entrenamiento del modelo, ya que mejora la calidad y consistencia de las imágenes, haciéndolas más adecuadas para el análisis. Una de las técnicas clave fue la ecualización de histogramas, que es particularmente importante en imágenes médicas, donde variaciones sutiles en la intensidad de los píxeles pueden afectar significativamente la precisión de la clasificación. La ecualización de histograma mejora el contraste de las imágenes al redistribuir sus valores de intensidad, asegurando que el histograma (o distribución de intensidades de píxeles) esté más uniformemente distribuido. Este proceso mejora características importantes de las imágenes, haciéndolas más informativas y más fáciles de interpretar para el modelo.

2.3 Enfoques y selección de modelos Este estudio investiga varios modelos de aprendizaje automático y aprendizaje profundo para abordar la compleja tarea de clasificar imágenes normales y de escoliosis. El enfoque de la investigación se diseñó meticulosamente para lograr un equilibrio óptimo entre lograr una alta precisión de clasificación y mantener la eficiencia computacional, lo cual es crucial para las aplicaciones médicas del mundo real. Una cuidadosa selección de una variedad de modelos, cada uno de los cuales ofrece fortalezas únicas en el manejo de datos de imágenes, y los configuró para maximizar su rendimiento en el conjunto de datos insertado. Los siguientes párrafos proporcionan una descripción general completa de los modelos empleados, el fundamento de su selección, sus configuraciones específicas y un análisis detallado de los resultados obtenidos de los experimentos. Este examen exhaustivo no sólo destaca la eficacia de los modelos elegidos, sino que también ofrece información sobre su posible aplicabilidad en entornos clínicos.

2.3.1 Las redes neuronales convolucionales (CNN) utilizaron redes neuronales convolucionales (CNN) para una capacidad excepcional en tareas de clasificación de imágenes. Las CNN se destacan en capturar jerarquías espaciales y características dentro de imágenes a través de una combinación de capas convolucionales, capas de agrupación y capas densas. Capas convolucionales: estas capas son fundamentales para las CNN, ya que aplican varios filtros a las imágenes de entrada para detectar patrones como bordes y texturas. y formas. Al deslizar estos filtros por la imagen, las capas convolucionales generan mapas de características que representan diferentes aspectos de la imagen. Experimentamos con varios tamaños de filtro y números de filtros para optimizar el proceso de extracción de funciones.

Capas de agrupación: las capas de agrupación, que normalmente utilizan operaciones como la agrupación máxima o la agrupación promedio, reducen la muestra de los mapas de características producidos por las capas convolucionales. Esto reduce las dimensiones espaciales de los mapas de características, lo que disminuye la carga computacional y ayuda a que el modelo se generalice mejor al centrarse en las características más destacadas. Empleamos capas de agrupación para gestionar eficazmente la dimensionalidad y mejorar la eficiencia del modelo.

Capas densas: después de las operaciones convolucionales y de agrupación, se utilizan capas densas (capas completamente conectadas) para interpretar las características extraídas por las capas convolucionales. Las capas densas agregan las características de alto nivel y realizan la clasificación final asignando las representaciones aprendidas a las etiquetas de salida. Ajustamos la cantidad de capas densas y sus unidades para mejorar la capacidad del modelo para realizar predicciones precisas.

Esta combinación de capas convolucionales, agrupadas y densas nos permitió construir una arquitectura CNN sólida que distingue efectivamente entre imágenes normales y de escoliosis.

2.3.2 Transferir aprendizaje

Dado el tamaño limitado de nuestro conjunto de datos, aprovechamos el aprendizaje por transferencia para mejorar el rendimiento del modelo sin grandes recursos computacionales. El aprendizaje por transferencia implica el uso de modelos previamente entrenados (desarrollados en conjuntos de datos grandes y diversos) y su adaptación a nuestra tarea específica. Varios modelos avanzados previamente entrenados para beneficiarse de las funciones aprendidas:

XceptionNet: XceptionNet es una arquitectura basada en convoluciones separables en profundidad, que descompone las operaciones de convolución en operaciones más pequeñas y más eficientes. Este diseño ayuda a capturar características complejas al tiempo que reduce la complejidad computacional. Ajustamos XceptionNet para adaptar sus funciones aprendidas para nuestra tarea de clasificación de escoliosis.

DenseNet201: DenseNet201 se caracteriza por su patrón de conectividad denso, donde cada capa recibe información de todas las capas anteriores. Este enfoque promueve la reutilización de funciones y mejora el flujo de gradiente durante el entrenamiento. DenseNet201 se utilizó para aprovechar sus sólidas capacidades de extracción de características y mejorar la precisión de nuestro modelo.

EfficientNetB0: EfficientNetB0 emplea un método de escalado compuesto que escala uniformemente la profundidad, el ancho y la resolución de la red. Este modelo es conocido por su equilibrio entre precisión y eficiencia. EfficientNetB0 se adaptó al conjunto de datos para beneficiarse de su arquitectura optimizada y alto rendimiento.

InceptionV3: InceptionV3 presenta una arquitectura compleja con múltiples operaciones convolucionales paralelas de diferentes tamaños de filtro, lo que le permite capturar una amplia gama de características. InceptionV3 se incorporó para aprovechar su sólida extracción de funciones y sus capacidades de procesamiento a múltiples escalas.

MobileNetV2: MobileNetV2 está diseñado para dispositivos móviles y de vanguardia teniendo en cuenta la eficiencia y la velocidad. Utiliza convoluciones separables en profundidad para reducir el tamaño del modelo y los requisitos computacionales. MobileNetV2 se utiliza para lograr un equilibrio entre la eficiencia del modelo y la precisión de la clasificación.

Al ajustar estos modelos previamente entrenados, los clasificadores pueden aprovechar sus capacidades avanzadas de extracción de características y adaptarlas a la tarea específica seleccionada de clasificación de imágenes normales y de escoliosis, lo que resulta en un mejor rendimiento y una reducción del tiempo de entrenamiento.