Tekoäly ja skolioosi

Vaikka terveydenhuoltoon liittyvän tekoälyn huomio on lisääntymässä, näiden tekniikoiden kääntämisessä tai käyttöönotossa kliiniseen käyttöön on edistytty paljon. Siksi tutkimustamme suorittaessamme avaamme uuden tutkimusalueen tekoälyn (AI) integroimiseksi lääketieteellisiin arviointityökaluihin ja fysioterapia-alaan. Tämä säästää fysioterapeuttien aikaa ja vaivaa oikeiden arvioiden ja hoitosuunnitelmien laatimisessa, hyödyttää potilaita ja koko maata vähentämällä taloudellista taakkaa, joka liittyy näiden tapausten tarkkojen arvioiden tekemiseen ja hallintaan, ja tarjoaa selkeitä, objektiivisia arvioita suurimmalle osalle selkärangasta. skolioosin epämuodostumat sekä asianmukainen personointi hoitosuunnitelmia varten.

Kamppailulaji ja menetelmät

1. Kokeilutaistelu Tässä osiossa esitellään tutkimuksen tulokset, yksityiskohtaisesti käytetyt menetelmät ja saavutetut tulokset. Analyysi alkaa yleiskatsauksella käytetystä tietojoukosta, jota seuraa esikäsittelyvaiheet, jotka on suoritettu tietojen laadun ja mallikoulutukseen soveltuvuuden varmistamiseksi. perehdy sitten tähän tutkimukseen valittuihin eri lähestymistapoihin ja malleihin, mukaan lukien sekä mukautetut konvoluutiohermoverkot (CNN) että esikoulutetut mallit, joita käytetään siirtooppimisen kautta. Jokainen malli arvioidaan sen suorituskyvyn perusteella, ja siinä keskustellaan tehokkuuden mittaamiseen käytetyistä kokeellisista kokoonpano- ja arviointimittareista. Lopuksi esitellään kokeelliset tulokset ja tarjotaan kattava analyysi mallin tarkkuudesta, tarkkuudesta, muistamisesta ja muista asiaankuuluvista mittareista.

   2.1 Aineiston kerääminen Koehenkilöiden tiedot jaettiin 2 ryhmään. Ryhmän (A) normaali selkärangan kokonaisröntgenkuva koostui 664 kuvasta ja ryhmä (B) skolioottisten potilaiden röntgenkuva koostui 4307 kuvasta. Kaikki tähän tutkimukseen osallistuneet selkärangan röntgenkuvat koottiin takautuvasti monista lähteistä, mukaan lukien BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox ja Roboflow, mikä varmistaa monipuolisen ja kattavan skolioosiin liittyvien kuvien kokoelman. Skolioosipotilailla (1) diagnosoitiin skolioosi eri etiologian vuoksi, (2) Selkärangan selkärangan selkärangan selkärangan kaarevuus, mukaan lukien; kohdunkaulan, rintakehän ja puutavara. (3) C-muotoinen ja kaksois-C-muotoinen skolioosi. (4) lievä, kohtalainen ja vaikea skolioottinen astetta. (5) Nuoret, joiden keski-ikä on 17 (6) Molemmat sukupuolet (mies ja nainen).

2. Tarkoitettu metodologia 2.1 Tietojen lisäys Rajoitetun datan ongelman ratkaisemiseksi käytimme datan lisäystä laajentaaksemme keinotekoisesti tietojoukkoamme. Tämä tekniikka sisältää uusien harjoitusnäytteiden luomisen käyttämällä erilaisia ​​muunnoksia olemassa oleviin kuviin, kuten kääntämällä, skaalauttamalla ja kiertämällä. Nämä lisäykset eivät ainoastaan ​​lisää tietojoukon kokoa, vaan niillä on myös ratkaiseva rooli mallin yleistämiskyvyn parantamisessa altistamalla se laajemmalle valikoimalle kuvamuunnelmia. Simuloimalla erilaisia ​​katseluolosuhteita ja vääristymiä datan lisäys auttaa mallista tulemaan kestävämmiksi kuvan suunnan, mittakaavan ja muiden muunnelmien suhteen, joita se saattaa kohdata tosielämän skenaarioissa. Tämä prosessi on erityisen tärkeä lääketieteellisessä kuva-analyysissä, jossa suurten ja monipuolisten tietokokonaisuuksien hankkiminen voi olla haastavaa. Tietojen lisäys varmistaa, että malli ei sovi liikaa rajoitettuun alkuperäiseen tietojoukkoon, vaan sen sijaan oppii tunnistamaan skolioosiin viittaavat taustalla olevat mallit, mikä parantaa lopulta sen suorituskykyä ja luotettavuutta.

Alkuperäiset kuvat Käännetty kuva Kierretty kuva Skaalattu kuva

. Esimerkkejä datan lisäystekniikoista Sovelletut kuvat 2.2 Esikäsittely Tehokas esikäsittely on kriittinen vaihe valmisteltaessa tietojoukkoamme mallikoulutukseen, koska se parantaa kuvien laatua ja yhtenäisyyttä, mikä tekee niistä sopivampia analysointiin. Yksi tärkeimmistä tekniikoista oli histogrammin tasoitus, joka on erityisen tärkeä lääketieteellisessä kuvantamisessa, jossa hienovaraiset vaihtelut pikselivoimakkuudessa voivat merkittävästi vaikuttaa luokituksen tarkkuuteen. Histogrammin taajuuskorjaus parantaa kuvien kontrastia jakamalla niiden intensiteettiarvot uudelleen, mikä varmistaa, että histogrammi - tai pikselien intensiteettien jakauma - jakautuu tasaisemmin. Tämä prosessi parantaa kuvien tärkeitä ominaisuuksia, mikä tekee niistä informatiivisempia ja mallin helpompi tulkita.

2.3 Lähestymistavat ja mallin valinta Tässä tutkimuksessa tutkitaan erilaisia ​​koneoppimis- ja syväoppimismalleja, joiden avulla voidaan ratkaista normaali- ja skolioosikuvien luokittelu. Tutkimusmenetelmä suunniteltiin huolellisesti saavuttamaan optimaalinen tasapaino korkean luokitustarkkuuden saavuttamisen ja laskennallisen tehokkuuden ylläpitämisen välillä, mikä on ratkaisevan tärkeää todellisissa lääketieteellisissä sovelluksissa. Huolellinen valikoima malleja, joista jokainen tarjoaa ainutlaatuisia vahvuuksia kuvatietojen käsittelyssä, ja ne on määritetty maksimoimaan lisätyn tietojoukon suorituskyky. Seuraavat kappaleet tarjoavat kattavan yleiskatsauksen käytetyistä malleista, niiden valinnan perusteista, niiden erityisistä kokoonpanoista ja yksityiskohtaisen analyysin kokeista saaduista tuloksista. Tämä perusteellinen tutkimus ei ainoastaan ​​tuo esiin valittujen mallien tehokkuutta, vaan tarjoaa myös käsityksen niiden mahdollisesta soveltuvuudesta kliinisissä olosuhteissa.

2.3.1 Konvoluutiohermoverkot (CNN) käyttivät konvoluutiohermoverkkoja (CNN) poikkeuksellisen kyvyn saavuttamiseksi kuvien luokittelutehtävissä. CNN:t erottuvat erinomaisesti kuvien tilahierarkioiden ja ominaisuuksien vangitsemisessa konvoluutiokerrosten, yhdistävien kerrosten ja tiheiden kerrosten yhdistelmän avulla Konvoluutiotasot: Nämä kerrokset ovat CNN:n perustavanlaatuisia, koska ne käyttävät erilaisia ​​suodattimia syöttökuviin havaitakseen kuvioita, kuten reunoja, pintakuvioita. , ja muotoja. Liu'utamalla näitä suodattimia kuvan poikki, konvoluutiotasot luovat piirrekarttoja, jotka edustavat kuvan eri puolia. Kokeilimme eri suodattimien kokoja ja suodattimien määriä optimoidaksemme ominaisuuksien poimintaprosessin.

Tasojen yhdistäminen: Tasojen yhdistäminen, tyypillisesti käyttämällä operaatioita, kuten maksimipoolaus tai keskimääräinen yhdistäminen, ottaa alasnäytteitä konvoluutiotasojen tuottamista piirrekartoista. Tämä pienentää karttakohdekarttojen spatiaalisia ulottuvuuksia, mikä vähentää laskennallista kuormitusta ja auttaa mallia yleistymään paremmin keskittymällä näkyvimpiin piirteisiin. Käytimme poolauskerroksia hallitaksemme tehokkaasti mitoitusta ja parantaaksemme mallin tehokkuutta.

Tiheät kerrokset: Konvoluutio- ja poolausoperaatioiden jälkeen tiheitä kerroksia (täysin yhdistettyjä kerroksia) käytettiin tulkitsemaan konvoluutiokerrosten poimimia piirteitä. Tiheät kerrokset yhdistävät korkean tason piirteet ja suorittavat lopullisen luokituksen yhdistämällä opitut esitykset tulosnimikkeisiin. Säätimme tiheiden kerrosten ja niiden yksiköiden määrää parantaaksemme mallin kykyä tehdä tarkkoja ennusteita.

Tämä konvoluutio-, yhdistämis- ja tiheiden kerrosten yhdistelmä antoi meille mahdollisuuden rakentaa vankan CNN-arkkitehtuurin, joka erottaa tehokkaasti normaalit ja skolioosikuvat.

2.3.2 Siirto-oppiminen

Tietojoukkomme rajallisen koon vuoksi hyödynsimme siirtooppimista parantaaksemme mallin suorituskykyä ilman laajoja laskentaresursseja. Siirto-oppimisessa käytetään valmiiksi koulutettuja malleja, jotka on kehitetty suurille ja monimuotoisille tietojoukoille, ja niiden mukauttaminen erityistehtäväämme varten. useita kehittyneitä esikoulutettuja malleja hyötyäkseen opituista ominaisuuksista:

XceptionNet: XceptionNet on arkkitehtuuri, joka perustuu syvyyskohtaisesti erotettaviin konvoluutioihin, joka jakaa konvoluutiooperaatiot pienemmiksi, tehokkaammiksi operaatioiksi. Tämä suunnittelu auttaa kaappaamaan monimutkaisia ​​ominaisuuksia ja vähentämään laskennan monimutkaisuutta. Hienosäädimme XceptionNetiä mukauttamaan sen opittuja ominaisuuksia skolioosin luokittelutehtäväämme varten.

DenseNet201: DenseNet201:lle on ominaista sen tiheä yhteyskuvio, jossa jokainen kerros vastaanottaa syötteen kaikilta edeltäviltä kerroksilta. Tämä lähestymistapa edistää ominaisuuksien uudelleenkäyttöä ja parantaa gradienttivirtausta harjoituksen aikana. DenseNet201 hyödynsi vahvoja ominaisuuksien poimimiskykyään ja parantaa mallimme tarkkuutta.

EfficientNetB0: EfficientNetB0 käyttää yhdistettyä skaalausmenetelmää, joka skaalaa tasaisesti verkon syvyyden, leveyden ja resoluution. Tämä malli tunnetaan tasapainostaan ​​tarkkuuden ja tehokkuuden välillä. EfficientNetB0 on ​​mukautettu tietojoukkoon hyötymään sen optimoidusta arkkitehtuurista ja korkeasta suorituskyvystä.

InceptionV3: InceptionV3:ssa on monimutkainen arkkitehtuuri, jossa on useita rinnakkaisia ​​konvoluutiooperaatioita erikokoisilla suodattimilla, mikä mahdollistaa laajan valikoiman ominaisuuksia. InceptionV3 on sisällytetty hyödyntämään sen vankkaa ominaisuuspoimintaa ja monimuotoista käsittelyä.

MobileNetV2: MobileNetV2 on suunniteltu mobiili- ja reunalaitteisiin tehokkuutta ja nopeutta ajatellen. Se käyttää syvyyskohtaisesti erotettavia konvoluutioita mallin koon ja laskentavaatimusten pienentämiseksi. MobileNetV2:lla saavutettiin tasapaino mallin tehokkuuden ja luokittelutarkkuuden välillä.

Hienosäätämällä näitä esikoulutettuja malleja luokittelijat voivat hyödyntää edistyneitä ominaisuuksien poimintakykyään ja mukauttaa ne valittuihin erityistehtäviin, eli normaalien ja skolioosikuvien luokitteluun, mikä parantaa suorituskykyä ja lyhentää harjoitusaikaa.