Mesterséges intelligencia és gerincferdülés

Bár az egészségügyhöz kapcsolódó mesterséges intelligencia iránti figyelem növekszik, jelentős előrelépés történt e technológiák klinikai felhasználásra történő átültetésében vagy bevezetésében. Ezért kutatásunk során új kutatási területet nyitunk a mesterséges intelligencia (AI) integrálására az orvosi értékelési eszközök és a fizikoterápia területén. Ez időt és erőfeszítést takarít meg a fizioterapeutáknak a megfelelő értékelések és kezelési tervek elkészítésében, a betegek és az ország egészének előnyére válik, mivel csökkenti az ilyen esetek pontos értékelésével és kezelésével járó pénzügyi terheket, és világos, objektív értékelést biztosít a gerincvelő legtöbb esetben. gerincferdülés deformitások, valamint a kezelési tervek megfelelő személyre szabása.

Harc és módszerek

1. Kísérleti harcok Ez a rész a kutatás eredményeit mutatja be, részletezve az alkalmazott módszereket és az elért eredményeket. Az elemzés a felhasznált adatkészlet áttekintésével kezdődik, majd az adatminőség és a modelltanításra való alkalmasság biztosítása érdekében végrehajtott előfeldolgozási lépések következnek. majd mélyedjen el a tanulmányhoz kiválasztott különféle megközelítésekben és modellekben, beleértve az egyéni konvolúciós neurális hálózatokat (CNN-eket), valamint az átviteli tanuláson keresztül használt előre betanított modelleket. Minden modellt teljesítményük alapján értékelnek, és megvitatják a hatékonyság mérésére használt kísérleti beállításokat és értékelési mérőszámokat. Végül bemutatjuk a kísérleti eredményeket, átfogó elemzést adva a modell pontosságáról, pontosságáról, visszahívásáról és egyéb releváns mérőszámokról.

   2.1 Adatkészlet gyűjtése Az alanyok adatait 2 csoportra osztottuk. Az (A) csoport normál gerinc teljes röntgenfelvétele 664 képből, a (B) csoport scoliosisos betegek röntgenfelvétele 4307 képből állt. A vizsgálatban részt vevő összes gerincröntgenfelvételt retrospektív módon állítottuk össze sokféle forrásból, beleértve a BUU Datasets-t, a Kaggle-t, a Mendeley Data-t, a Huggingface-t, a Dropbox-ot és a Roboflow-t, biztosítva a gerincferdüléssel kapcsolatos képek változatos és átfogó gyűjteményét. A gerincferdülésben szenvedő betegeknél (1) különböző etiológiájú gerincferdülést diagnosztizáltak, (2) tiszta röntgent a gerincről minden gerincgörbületre, beleértve; nyaki, mellkasi és fűrészáru. (3) C alakú és kettős C alakú gerincferdülés. (4) enyhe, közepes és súlyos gerincferdülés. (5) 17 éves átlagéletkorú serdülők (6) Mindkét nem (férfi és nő).

2. Célzott módszertan 2.1 Adatbővítés A korlátozott adatok problémájának megoldására adatkiegészítést alkalmaztunk adatkészletünk mesterséges bővítésére. Ez a technika magában foglalja az új betanítási minták generálását a meglévő képek különféle átalakításainak alkalmazásával, például átfordítással, méretezéssel és elforgatással. Ezek a kiegészítések nem csak az adatkészlet méretét növelik, hanem döntő szerepet játszanak a modell általánosítási képességének fokozásában is azáltal, hogy többféle képváltozatnak teszik ki. A különböző megtekintési feltételek és torzítások szimulálásával az adatbővítés segít a modellnek robusztusabbá válni a kép tájolásának, méretarányának és egyéb olyan változatainak változásaival szemben, amelyekkel a valós forgatókönyvekben találkozhat. Ez a folyamat különösen fontos az orvosi képelemzésben, ahol nagy, változatos adatkészletek beszerzése kihívást jelenthet. Az adatbővítés biztosítja, hogy a modell ne illeszkedjen túl a korlátozott eredeti adatkészlethez, hanem megtanulja felismerni a gerincferdülésre utaló mögöttes mintákat, végső soron javítva a teljesítményét és megbízhatóságát.

Eredeti képek Fordított kép Elforgatott kép Méretezett kép

. Példák adatkiegészítési technikákra Alkalmazott képek 2.2 Előfeldolgozás A hatékony előfeldolgozás kritikus lépés az adatkészletünk modellképzésre való felkészítésében, mivel javítja a képek minőségét és konzisztenciáját, így alkalmasabbá teszi őket elemzésre. Az egyik kulcsfontosságú technika a hisztogram kiegyenlítés volt, amely különösen fontos az orvosi képalkotásban, ahol a pixelintenzitás finom eltérései jelentősen befolyásolhatják az osztályozás pontosságát. A hisztogram-kiegyenlítés javítja a képek kontrasztját az intenzitásértékek újraelosztásával, biztosítva a hisztogram vagy a pixelintenzitás eloszlásának egyenletesebb eloszlását. Ez a folyamat kiemeli a képek fontos jellemzőit, így azok informatívabbak és a modell számára könnyebben értelmezhetők.

2.3. Megközelítések és modellválasztás Ez a tanulmány különféle gépi tanulási és mély tanulási modelleket vizsgál a normál és scoliosisos képek osztályozásának összetett feladatának megbirkózása érdekében. A kutatási megközelítést aprólékosan úgy tervezték meg, hogy optimális egyensúlyt teremtsen a nagy besorolási pontosság elérése és a számítási hatékonyság fenntartása között, ami kulcsfontosságú a valós orvosi alkalmazások számára. A modellek gondos kiválasztása, amelyek mindegyike egyedülálló erősséget kínál a képadatok kezelésében, és úgy konfigurálta őket, hogy maximalizálják teljesítményüket a beillesztett adatkészleten. A következő bekezdések átfogó áttekintést nyújtanak az alkalmazott modellekről, a kiválasztásuk mögött meghúzódó indokokról, konkrét konfigurációikról, valamint a kísérletek eredményeinek részletes elemzéséről. Ez az alapos vizsgálat nemcsak a kiválasztott modellek hatékonyságát emeli ki, hanem betekintést enged azok klinikai környezetben való lehetséges alkalmazhatóságába is.

2.3.1 A konvolúciós neurális hálózatok (CNN-ek) a konvolúciós neurális hálózatokat (CNN) használták a képosztályozási feladatok kivételes képességeihez. A CNN-ek kiválóak a térbeli hierarchiák és képeken belüli jellemzők rögzítésében konvolúciós rétegek, egyesülő rétegek és sűrű rétegek kombinációja révén. Konvolúciós rétegek: Ezek a rétegek alapvetőek a CNN-ek számára, mivel különféle szűrőket alkalmaznak a bemeneti képekre, hogy észleljék a mintákat, például az éleket, textúrákat. , és formák. Ezeket a szűrőket a képen átcsúsztatva a konvolúciós rétegek olyan jellemzőtérképeket hoznak létre, amelyek a kép különböző aspektusait ábrázolják. Különböző méretű és számú szűrővel kísérleteztünk, hogy optimalizáljuk a jellemzők kinyerési folyamatát.

Fóliák összevonása: A rétegek összevonása, jellemzően olyan műveletek használatával, mint a max pooling vagy az átlagos pooling, lefelé mintavételezi a konvolúciós rétegek által létrehozott jellemzőtérképeket. Ez csökkenti a jellemzőtérképek térbeli méreteit, ezáltal csökkenti a számítási terhelést, és elősegíti a modell jobb általánosítását azáltal, hogy a legszembetűnőbb jellemzőkre összpontosít. Összevonó rétegeket alkalmaztunk a méretezés hatékony kezelésére és a modell hatékonyságának javítására.

Sűrű rétegek: A konvolúciós és pooling műveletek után sűrű rétegek (teljesen összefüggő rétegek) értelmezték a konvolúciós rétegek által kinyert jellemzőket. A sűrű rétegek aggregálják a magas szintű jellemzőket, és elvégzik a végső osztályozást úgy, hogy a tanult reprezentációkat leképezik a kimeneti címkékre. Hangoltuk a sűrű rétegek számát és egységeiket, hogy javítsuk a modell pontos előrejelzési képességét.

A konvolúciós, összevont és sűrű rétegek kombinációja lehetővé tette számunkra, hogy robusztus CNN-architektúrát építsünk fel, amely hatékonyan megkülönbözteti a normál és a scoliosisos képeket.

2.3.2 Transzfer tanulás

Tekintettel adatkészletünk korlátozott méretére, kihasználtuk az átviteli tanulást, hogy növeljük a modell teljesítményét kiterjedt számítási erőforrások nélkül. A transzfertanulás magában foglalja az előre betanított – nagy, változatos adatkészleteken kifejlesztett – modellek alkalmazását és azok konkrét feladatunkhoz való adaptálását. számos fejlett, előre betanított modell, hogy hasznot húzzanak tanult jellemzőikből:

XceptionNet: Az XceptionNet egy mélység szerint szétválasztható konvolúciókon alapuló architektúra, amely a konvolúciós műveleteket kisebb, hatékonyabb műveletekre bontja. Ez a kialakítás segít az összetett jellemzők rögzítésében, miközben csökkenti a számítási bonyolultságot. Finomhangoltuk az XceptionNet-et, hogy a tanult funkcióit adaptáljuk a gerincferdülés osztályozási feladatunkhoz.

DenseNet201: A DenseNet201-et a sűrű csatlakozási mintázat jellemzi, ahol minden réteg bemenetet kap az összes előző rétegtől. Ez a megközelítés elősegíti a funkciók újrafelhasználását, és javítja a gradiens áramlását edzés közben. A DenseNet201-et arra használták fel, hogy kiaknázzák erős funkciókivonási képességeit, és javítsák modellünk pontosságát.

EfficientNetB0: Az EfficientNetB0 összetett skálázási módszert alkalmaz, amely egyenletesen skálázza a hálózat mélységét, szélességét és felbontását. Ez a modell a pontosság és a hatékonyság közötti egyensúlyról ismert. Az EfficientNetB0 hozzá lett igazítva az adatkészlethez, hogy profitáljon optimalizált architektúrájából és nagy teljesítményéből.

InceptionV3: Az InceptionV3 összetett architektúrát tartalmaz, különböző méretű szűrők párhuzamos konvolúciós műveleteivel, lehetővé téve a szolgáltatások széles skálájának rögzítését. Az InceptionV3 beépítésre került, hogy kihasználja robusztus funkciókivonását és többléptékű feldolgozási képességeit.

MobileNetV2: A MobileNetV2 mobil és szélső eszközökhöz készült, a hatékonyságot és a sebességet szem előtt tartva. Mélység szerint szétválasztható konvolúciókkal csökkenti a modell méretét és a számítási követelményeket. A MobileNetV2 segítségével egyensúlyt sikerült elérni a modell hatékonysága és az osztályozási pontosság között.

Az előre betanított modellek finomhangolásával az osztályozók képesek lesznek kihasználni fejlett funkciókivonási képességeiket, és hozzáigazítani őket a normál és scoliosisos képek osztályozásának kiválasztott speciális feladatához, ami jobb teljesítményt és csökkentett edzési időt eredményez.