Intelligence artificielle et scoliose

Bien que l’attention portée à l’IA liée aux soins de santé soit croissante, de nombreux progrès ont été réalisés dans la traduction ou la mise en œuvre de ces technologies à des fins cliniques. Par conséquent, au fur et à mesure que nous menons nos recherches, nous ouvrirons un nouveau champ d’étude pour l’intégration de l’intelligence artificielle (IA) dans les outils d’évaluation médicale et dans le domaine de la physiothérapie. Cela permettra aux physiothérapeutes d'économiser du temps et des efforts pour développer des évaluations et des plans de traitement appropriés, bénéficiera aux patients et au pays dans son ensemble en réduisant le fardeau financier associé à la réalisation d'évaluations et de gestion précises de ces cas, et fournira des évaluations claires et objectives pour la majorité des problèmes de la colonne vertébrale. déformations de la scoliose ainsi qu'une personnalisation appropriée des plans de traitement.

Martial et méthodes

1. Expérience martiale Cette section présente les résultats de la recherche, détaillant les méthodologies employées et les résultats obtenus. L'analyse commence par un aperçu de l'ensemble de données utilisé, suivi des étapes de prétraitement entreprises pour garantir la qualité des données et leur adéquation à la formation du modèle. Plongez ensuite dans les différentes approches et modèles sélectionnés pour cette étude, y compris à la fois les réseaux de neurones convolutifs (CNN) personnalisés et les modèles pré-entraînés utilisés par l'apprentissage par transfert. Chaque modèle est évalué en fonction de ses performances et discute de la configuration expérimentale et des mesures d'évaluation utilisées pour mesurer l'efficacité. Enfin, présenter les résultats expérimentaux, fournissant une analyse complète de l’exactitude, de la précision, du rappel et d’autres mesures pertinentes du modèle.

   2.1 Collecte d'ensembles de données Les données des sujets ont été divisées en 2 groupes. La radiographie totale de la colonne vertébrale normale du groupe (A) comprenait 664 images et la radiographie des patients scoliotiques du groupe (B) comprenait 4 307 images. Toutes les radiographies de la colonne vertébrale impliquées dans cette étude ont été compilées rétrospectivement à partir de diverses sources, notamment BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox et Roboflow, garantissant ainsi une collection diversifiée et complète d'images liées à la scoliose. Les patients atteints de scoliose ont reçu (1) un diagnostic de scoliose pour différentes étiologies, (2) une radiographie claire de la colonne vertébrale pour toutes les courbures de la colonne vertébrale, y compris ; cervical, thoracique et lombaire. (3) Scoliose en forme de C et en forme de double C. (4) degrés scoliotiques légers, modérés et sévères. (5) Adolescents d'âge moyen 17 ans (6) Les deux sexes (homme et femme).

2. Méthodologie prévue 2.1 Augmentation des données Pour résoudre le problème des données limitées, nous avons utilisé l'augmentation des données pour élargir artificiellement notre ensemble de données. Cette technique consiste à générer de nouveaux échantillons d'apprentissage en appliquant diverses transformations aux images existantes, telles que le retournement, la mise à l'échelle et la rotation. Ces augmentations augmentent non seulement la taille de l'ensemble de données, mais jouent également un rôle crucial dans l'amélioration de la capacité du modèle à généraliser en l'exposant à une plus grande variété de variations d'images. En simulant différentes conditions de visualisation et distorsions, l'augmentation des données aide le modèle à devenir plus robuste aux changements d'orientation, d'échelle et autres variations qu'il peut rencontrer dans des scénarios du monde réel. Ce processus est particulièrement important dans l’analyse d’images médicales, où l’acquisition d’ensembles de données volumineux et diversifiés peut s’avérer difficile. L'augmentation des données garantit que le modèle ne s'ajuste pas trop à l'ensemble de données d'origine limité et qu'il apprend plutôt à reconnaître les modèles sous-jacents révélateurs de la scoliose, améliorant ainsi ses performances et sa fiabilité.

Images originales Image inversée Image pivotée Image mise à l'échelle

. Exemples de techniques d'augmentation des données Images appliquées 2.2 Prétraitement Un prétraitement efficace est une étape critique dans la préparation de notre ensemble de données pour la formation du modèle, car il améliore la qualité et la cohérence des images, les rendant plus adaptées à l'analyse. L'une des techniques clés a été l'égalisation des histogrammes, ce qui est particulièrement important en imagerie médicale où de subtiles variations de l'intensité des pixels peuvent avoir un impact significatif sur la précision de la classification. L'égalisation de l'histogramme améliore le contraste des images en redistribuant leurs valeurs d'intensité, garantissant ainsi que l'histogramme (ou la distribution des intensités des pixels) est réparti plus uniformément. Ce processus améliore les caractéristiques importantes des images, les rendant plus informatives et plus faciles à interpréter pour le modèle.

2.3 Approches et sélection de modèles Cette étude examine divers modèles d'apprentissage automatique et d'apprentissage profond pour aborder la tâche complexe de classification des images normales et de scoliose. L’approche de recherche a été méticuleusement conçue pour trouver un équilibre optimal entre l’obtention d’une précision de classification élevée et le maintien de l’efficacité informatique, ce qui est crucial pour les applications médicales réelles. Une sélection minutieuse pour une gamme de modèles, chacun offrant des atouts uniques dans la gestion des données d'image, et les a configurés pour maximiser leurs performances sur l'ensemble de données inséré. Les paragraphes suivants fournissent un aperçu complet des modèles utilisés, de la justification de leur sélection, de leurs configurations spécifiques et d'une analyse détaillée des résultats obtenus à partir des expériences. Cet examen approfondi met non seulement en évidence l’efficacité des modèles choisis, mais offre également un aperçu de leur applicabilité potentielle en milieu clinique.

2.3.1 Les réseaux de neurones convolutifs (CNN) ont utilisé des réseaux de neurones convolutifs (CNN) pour une capacité exceptionnelle dans les tâches de classification d'images. Les CNN excellent dans la capture des hiérarchies et des caractéristiques spatiales dans les images grâce à une combinaison de couches convolutives, de couches de regroupement et de couches denses. Couches convolutives : ces couches sont fondamentales pour les CNN, car elles appliquent divers filtres aux images d'entrée pour détecter des motifs tels que les bords, les textures. , et des formes. En faisant glisser ces filtres sur l'image, les couches convolutives génèrent des cartes de caractéristiques qui représentent différents aspects de l'image. Nous avons expérimenté différentes tailles de filtres et nombres de filtres pour optimiser le processus d'extraction de fonctionnalités.

Couches de pooling : les couches de pooling, utilisant généralement des opérations telles que le pooling maximum ou le pooling moyen, sous-échantillonnent les cartes de caractéristiques produites par les couches convolutives. Cela réduit les dimensions spatiales des cartes de caractéristiques, diminuant ainsi la charge de calcul et aidant le modèle à mieux généraliser en se concentrant sur les caractéristiques les plus saillantes. Nous avons utilisé des couches de pooling pour gérer efficacement la dimensionnalité et améliorer l'efficacité du modèle.

Couches denses : après les opérations de convolution et de pooling, des couches denses (couches entièrement connectées) sont utilisées pour interpréter les caractéristiques extraites par les couches convolutives. Les couches denses regroupent les fonctionnalités de haut niveau et effectuent la classification finale en mappant les représentations apprises aux étiquettes de sortie. Nous avons ajusté le nombre de couches denses et leurs unités pour améliorer la capacité du modèle à effectuer des prédictions précises.

Cette combinaison de couches convolutives, groupées et denses nous a permis de créer une architecture CNN robuste qui distingue efficacement les images normales et celles de scoliose.

2.3.2 Apprentissage par transfert

Compte tenu de la taille limitée de notre ensemble de données, nous avons tiré parti de l'apprentissage par transfert pour améliorer les performances du modèle sans ressources informatiques étendues. L'apprentissage par transfert implique d'utiliser des modèles pré-entraînés, développés sur des ensembles de données vastes et diversifiés, et de les adapter à notre tâche spécifique. plusieurs modèles avancés pré-entraînés pour bénéficier de leurs fonctionnalités apprises :

XceptionNet : XceptionNet est une architecture basée sur des convolutions séparables en profondeur, qui décompose les opérations de convolution en opérations plus petites et plus efficaces. Cette conception permet de capturer des fonctionnalités complexes tout en réduisant la complexité informatique. Nous avons affiné XceptionNet pour adapter ses fonctionnalités apprises à notre tâche de classification de la scoliose.

DenseNet201 : DenseNet201 se caractérise par son modèle de connectivité dense, où chaque couche reçoit les entrées de toutes les couches précédentes. Cette approche favorise la réutilisation des fonctionnalités et améliore le flux de gradient pendant la formation. DenseNet201 a été utilisé pour tirer parti de ses puissantes capacités d'extraction de fonctionnalités et améliorer la précision de notre modèle.

EfficientNetB0 : EfficientNetB0 utilise une méthode de mise à l'échelle composée qui met à l'échelle uniformément la profondeur, la largeur et la résolution du réseau. Ce modèle est connu pour son équilibre entre précision et efficacité. EfficientNetB0 s'adapte au jeu de données pour bénéficier de son architecture optimisée et de ses hautes performances.

InceptionV3 : InceptionV3 présente une architecture complexe avec plusieurs opérations convolutives parallèles de différentes tailles de filtre, lui permettant de capturer un large éventail de fonctionnalités. InceptionV3 incorporé pour tirer parti de ses capacités robustes d’extraction de fonctionnalités et de traitement multi-échelle.

MobileNetV2 : MobileNetV2 est conçu pour les appareils mobiles et de périphérie dans un souci d'efficacité et de vitesse. Il utilise des convolutions séparables en profondeur pour réduire la taille du modèle et les exigences de calcul. MobileNetV2 est utilisé pour atteindre un équilibre entre l'efficacité du modèle et la précision de la classification.

En affinant ces modèles pré-entraînés, les classificateurs sont capables d'exploiter leurs capacités avancées d'extraction de caractéristiques et de les adapter à une tâche spécifique sélectionnée de classification des images normales et de scoliose, ce qui entraîne des performances améliorées et une réduction du temps de formation.