Algorithme d'apprentissage en profondeur pour la détection des lésions spléniques traumatiques et la localisation séquentielle

Arrière-plan

La lésion splénique est la lésion viscérale solide la plus courante dans les traumatismes abdominaux contondants, et la tomodensitométrie (TDM) abdominale à haute résolution peut détecter adéquatement la lésion. Cependant, ces blessures mortelles ont parfois été négligées dans la pratique actuelle. Les algorithmes d'apprentissage en profondeur ont prouvé leurs capacités à détecter des résultats anormaux dans les images médicales. Le but de cette étude est de développer un algorithme d'apprentissage en profondeur tridimensionnel et non supervisé pour détecter les lésions spléniques sur le scanner abdominal en utilisant une approche séquentielle de localisation et de classification.

Matériel et méthodes

Nous avons recueilli rétrospectivement des données auprès de patients ayant subi une tomodensitométrie abdominale avec contraste dans le service des urgences de l'hôpital Chang Gung Memorial, Linko, en raison d'un traumatisme et d'un abdomen aigu de juillet 2008 à décembre 2017. Tous les patients ont été enregistrés dans les registres des traumatismes et de l'abdomen aigu. Des informations démographiques, notamment l'âge, le sexe, le diagnostic de la maladie, le mécanisme du traumatisme, le score de gravité des blessures, le nouveau score de gravité des blessures, l'échelle abrégée des blessures et le degré de lésion de la rate, ont été recueillies. Les scans montrant une lésion splénique ont été identifiés comme positifs, et les scans restants ont été définis comme des contrôles négatifs. Nous avons identifié 300 scans de phase veineuse avec lésion splénique et sélectionné au hasard 300 scans de phase veineuse supplémentaires parmi les témoins négatifs. Les tomodensitogrammes avec lésions traumatiques abdominales autres que les lésions spléniques n'ont pas été exclus pour réduire le biais de sélection. Toutes les données ont été réparties selon l'âge, le sexe, la présence d'une lésion splénique et le score de gravité de la lésion à l'aide d'un échantillonnage stratifié dans l'ensemble de données de développement et le test défini selon un rapport de 8:2. Un huitième de l'ensemble de données de développement a été en outre réservé comme ensemble de validation lors de la construction du modèle.

Prétraitement et étiquetage des images

Les images de tomodensitométrie ont été acquises dans le format original Digital Imaging and Communications in Medicine (DICOM). Les images ont ensuite été converties au format Neuroimaging Informatics Technology Initiative, produisant des images 3D à base de voxels. Notre algorithme a ensuite été développé sur la base des coupes axiales veineuses, la direction d'imagerie la plus courante dans les enquêtes sur les traumatismes abdominaux. Au cours du processus de formation, l'augmentation de l'image par translation, rotation, mise à l'échelle et distorsions élastiques a été appliquée pour augmenter la généralisabilité du modèle.

Un chirurgien traumatologue avec 10 ans d'expérience a confirmé tous les scans positifs et négatifs. Dans tous les scans, la rate avec son arrière-plan environnant était recouverte d'une boîte englobante 3D dessinée manuellement.

Localisation de la rate

Le modèle de localisation a été conçu sur la base de 3D Faster RCNN avec Resnet-101 comme structure dorsale et formé sur l'ensemble de données de développement. Nous avons utilisé l'entropie croisée, la perte focale comme perte de classe et la perte L1, l'intersection de distance sur l'union (DIOU) comme perte de régression de boîte, et adopté l'intersection sur l'union (IOU) et DIOU dans la suppression non maximale (NMS) pour la formation de l'algorithme de détection d'objet.

Identification et visualisation des lésions spléniques

Les images 3D recadrées ont été utilisées pour développer le modèle de classification des lésions spléniques. Nous avons modifié l'architecture en blocs pour améliorer l'interprétabilité du processus de raisonnement du réseau appris. La sortie du modèle était la probabilité de lésion splénique.

Les performances du modèle ont été évaluées à l'aide de l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUROC), de la précision, de la sensibilité, de la spécificité, de la valeur prédictive positive et de la valeur prédictive négative.