Algoritmo di deep learning per il rilevamento di lesioni spleniche traumatiche e la localizzazione sequenziale

Sfondo

La lesione splenica è la lesione viscerale solida più comune nei traumi addominali smussati e la tomografia computerizzata addominale ad alta risoluzione (TC) può rilevare adeguatamente la lesione. Tuttavia, queste lesioni letali a volte sono state trascurate nella pratica corrente. Gli algoritmi di deep learning hanno dimostrato le loro capacità nel rilevare risultati anomali nelle immagini mediche. Lo scopo di questo studio è sviluppare un algoritmo di deep learning tridimensionale e non supervisionato per rilevare lesioni spleniche sulla TC addominale utilizzando un approccio sequenziale di localizzazione e classificazione.

Materiale e metodi

Abbiamo raccolto retrospettivamente dati da pazienti sottoposti a TC addominale con mezzo di contrasto nel pronto soccorso del Chang Gung Memorial Hospital, Linko, a causa di traumi e addome acuto da luglio 2008 a dicembre 2017. Tutti i pazienti sono stati registrati nei registri dei traumi e dell'addome acuto. Sono state raccolte informazioni demografiche, tra cui età, sesso, diagnosi della malattia, meccanismo del trauma, Injury Severity Score, New Injury Severity Score , Abbreviated Injury Scale e grado di lesione della milza. Le scansioni che mostravano lesioni spleniche sono state identificate come positive e le scansioni rimanenti sono state definite come controlli negativi. Abbiamo identificato 300 scansioni della fase venosa con danno splenico e selezionato in modo casuale 300 ulteriori scansioni della fase venosa dai controlli negativi. Le scansioni TC con lesioni da trauma addominale diverse dalla lesione splenica non sono state escluse per ridurre il bias di selezione. Tutti i dati sono stati suddivisi per età, sesso, presenza di lesione splenica e punteggio di gravità della lesione utilizzando un campionamento stratificato nel set di dati sullo sviluppo e nel set di test con un rapporto di 8:2. Un ottavo del set di dati di sviluppo è stato ulteriormente riservato come set di convalida durante la costruzione del modello.

Preelaborazione ed etichettatura delle immagini

Le immagini della scansione TC sono state acquisite nel formato DICOM (Digital Imaging and Communications in Medicine) originale. Le immagini sono state quindi convertite nel formato della Neuroimaging Informatics Technology Initiative, producendo immagini 3D basate su voxel. Il nostro algoritmo è stato quindi sviluppato sulla base delle fette assiali venose, la direzione di imaging più comune nelle indagini sui traumi addominali. Durante il processo di addestramento, è stato applicato l'aumento dell'immagine mediante traslazione, rotazione, ridimensionamento e distorsioni elastiche per aumentare la generalizzabilità del modello.

Un chirurgo traumatologico con 10 anni di esperienza ha confermato tutte le scansioni positive e negative. In tutte le scansioni, la milza con lo sfondo circostante è stata coperta da un riquadro di delimitazione 3D disegnato manualmente.

Localizzazione della milza

Il modello di localizzazione è stato progettato sulla base di 3D Faster RCNN con Resnet-101 come struttura portante e addestrato sul set di dati di sviluppo. Abbiamo utilizzato l'entropia incrociata, la perdita focale come perdita di classe e la perdita L1, l'intersezione della distanza sull'unione (DIOU) come perdita di regressione della scatola e abbiamo adottato l'intersezione sull'unione (IOU) e DIOU nella soppressione non massima (NMS) per l'addestramento di l'algoritmo di rilevamento degli oggetti.

Identificazione e visualizzazione delle lesioni alla milza

Le immagini 3D ritagliate sono state utilizzate per sviluppare il modello di classificazione delle lesioni spleniche. Abbiamo modificato l'architettura a blocchi per migliorare l'interpretabilità del processo di ragionamento della rete appresa. L'output del modello era la probabilità di danno splenico.

Le prestazioni del modello sono state valutate utilizzando l'area sotto la curva caratteristica operativa del ricevitore (AUROC), l'accuratezza, la sensibilità, la specificità, il valore predittivo positivo e il valore predittivo negativo.