Syväoppimisalgoritmi traumaattisen pernavaurion havaitsemiseen ja peräkkäiseen lokalisointiin

Tausta

Pernavaurio on yleisin kiinteä sisäelinten vamma tylppä vatsan traumassa, ja korkearesoluutioinen vatsan tietokonetomografia (CT) voi havaita vamman riittävästi. Nämä tappavat vammat on kuitenkin joskus jäänyt huomiotta nykyisessä käytännössä. Syväoppimisalgoritmit ovat osoittaneet kykynsä havaita poikkeavia löydöksiä lääketieteellisistä kuvista. Tämän tutkimuksen tavoitteena on kehittää kolmiulotteinen, valvomaton syväoppimisalgoritmi pernavaurion havaitsemiseksi vatsan TT:ssä käyttämällä peräkkäistä lokalisointia ja luokittelua.

Materiaali ja metodit

Keräsimme takautuvasti tietoja potilaista, joille tehtiin kontrastitehostetussa vatsan TT:ssä Chang Gung Memorial Hospitalin päivystysosastolla, Linkossa trauman ja akuutin vatsan takia heinäkuusta 2008 joulukuuhun 2017. Kaikki potilaat rekisteröitiin trauma- ja akuuttivatsarekisteriin. Demografisia tietoja, mukaan lukien ikä, sukupuoli, sairauden diagnoosi, traumamekanismi, vamman vakavuuspisteet, uuden vamman vakavuuspisteet, lyhennetty vamma-asteikko ja pernavaurioaste, kerättiin. Pernavaurioita osoittavat skannaukset tunnistettiin positiivisiksi ja loput skannaukset määriteltiin negatiivisiksi kontrolleiksi. Tunnistamme 300 laskimovaiheen skannausta, joissa oli pernavaurio, ja valitsimme satunnaisesti 300 muuta laskimovaiheen skannausta negatiivisista kontrolleista. CT-skannauksia, joissa oli muita vatsan traumavammoja kuin pernavaurioita, ei suljettu pois valintavihan vähentämiseksi. Kaikki tiedot jaettiin iän, sukupuolen, pernavaurion esiintymisen ja vamman vakavuuden mukaan käyttämällä kerrostettua otantaa kehitystietoaineistoon ja testisarjaan suhteessa 8:2. Kahdeksasosa kehitystietojoukosta varattiin edelleen validointijoukoksi mallin rakentamisen aikana.

Kuvan esikäsittely ja etiketöinti

CT-kuvat hankittiin alkuperäisessä Digital Imaging and Communications in Medicine (DICOM) -muodossa. Kuvat muunnettiin sitten Neuroimaging Informatics Technology Initiative -muotoon, jolloin saatiin 3D-vokselipohjaisia ​​kuvia. Algoritmimme kehitettiin sitten laskimoiden aksiaalisten viipaleiden perusteella, jotka ovat yleisin kuvantamissuunta vatsan traumatutkimuksissa. Harjoitteluprosessin aikana käytettiin kuvan lisäystä translaation, kierron, skaalauksen ja elastisten vääristymien avulla mallin yleistettävyyden lisäämiseksi.

Traumakirurgi, jolla on 10 vuoden kokemus, vahvisti kaikki positiiviset ja negatiiviset skannaukset. Kaikissa skannauksissa perna ja sitä ympäröivä tausta peitettiin käsin piirretyllä 3D-rajoituslaatikolla.

Pernan lokalisointi

Lokalisointimalli suunniteltiin 3D Faster RCNN:n pohjalta Resnet-101:n runkorakenteena ja koulutettiin kehitystietojoukon perusteella. Käytimme ristientropiaa, polttohäviötä luokkahäviönä ja L1-häviötä, etäisyyden leikkausta liiton yli (DIOU) laatikkoregressiohäviönä ja otimme käyttöön risteyksen liitoksen (IOU) ja DIOU:n yli ei-maksimivaimennus (NMS) harjoittamiseen kohteen tunnistusalgoritmi.

Pernavamman tunnistaminen ja visualisointi

Rajattuja 3D-kuvia käytettiin pernavaurion luokittelumallin kehittämiseen. Muutimme lohkoarkkitehtuuria parantaaksemme opitun verkon päättelyprosessin tulkittavuutta. Mallin tulos oli pernavaurion todennäköisyys.

Mallin suorituskyky arvioitiin käyttämällä vastaanottimen toimintakäyrän (AUROC) alla olevaa aluetta, tarkkuutta, herkkyyttä, spesifisyyttä, positiivista ennustearvoa ja negatiivista ennustearvoa.