外傷性脾臓損傷の検出とシーケンシャル ローカリゼーションのためのディープ ラーニング アルゴリズム

バックグラウンド

脾損傷は腹部鈍的外傷で最も一般的な固形内臓損傷であり、高解像度の腹部コンピュータ断層撮影 (CT) で損傷を適切に検出できます。 ただし、これらの致命的な損傷は、現在の実践では見過ごされていることがあります。 深層学習アルゴリズムは、医療画像の異常所見を検出する能力が証明されています。 この研究の目的は、シーケンシャル ローカリゼーションおよび分類アプローチを使用して、腹部 CT で脾臓損傷を検出するための 3 次元の教師なしディープ ラーニング アルゴリズムを開発することです。

材料と方法

2008 年 7 月から 2017 年 12 月までに外傷と急性腹症のため、リンコの長庚記念病院の救急部門で造影腹部 CT を受けた患者から遡及的にデータを収集しました。 すべての患者は、外傷および急性腹症のレジストリに登録されました。 年齢、性別、疾患診断、外傷機序、傷害重症度スコア、新規傷害重症度スコア、省略傷害尺度、および脾臓傷害グレードを含む人口統計学的情報が収集されました。 脾臓損傷を示すスキャンは陽性として識別され、残りのスキャンは陰性対照として定義されました。 脾臓損傷を伴う 300 の静脈相スキャンを特定し、陰性対照から 300 の追加の静脈相スキャンをランダムに選択しました。 脾臓損傷以外の腹部外傷を伴う CT スキャンは、選択バイアスを減らすために除外されませんでした。 すべてのデータは、年齢、性別、脾臓損傷の有無、および発達データセットとテスト セットへの層別サンプリングを 8:2 の比率で使用して損傷重症度スコアによって分割されました。 発生データセットの 8 分の 1 は、モデル構築中に検証セットとしてさらに予約されました。

画像の前処理とラベル付け

CT スキャン画像は、元の Digital Imaging and Communications in Medicine (DICOM) 形式で取得されました。 その後、画像は Neuroimaging Informatics Technology Initiative 形式に変換され、ボクセルベースの 3D 画像が作成されました。 次に、腹部外傷調査で最も一般的なイメージング方向である静脈軸方向スライスに基づいて、アルゴリズムが開発されました。 トレーニング プロセス中に、モデルの一般化可能性を高めるために、並進、回転、スケーリング、弾性歪みによる画像拡張が適用されました。

10 年の経験を持つ外傷外科医が、すべての陽性スキャンと陰性スキャンを確認しました。 すべてのスキャンで、周囲の背景を持つ脾臓は、手動で描画された 3D 境界ボックスで覆われていました。

脾臓の局在

ローカリゼーション モデルは、バックボーン構造として Resnet-101 を使用する 3D Faster RCNN に基づいて設計され、開発データセットでトレーニングされました。 クロス エントロピー、フォーカル ロスをクラス ロス、L1 ロス、距離交差オーバー ユニオン (DIOU) をボックス回帰ロスとして使用し、非最大抑制 (NMS) の交差オーバー ユニオン (IOU) と DIOU をトレーニングに採用しました。オブジェクト検出アルゴリズム。

脾臓損傷の識別と視覚化

トリミングされた 3D 画像は、脾臓損傷分類モデルの開発に使用されました。 学習したネットワークの推論プロセスの解釈可能性を改善するために、ブロック アーキテクチャを変更しました。 モデルの出力は、脾臓損傷の確率でした。

モデルの性能は、受信者動作特性曲線 (AUROC)、精度、感度、特異度、陽性適中率、および陰性適中率の下の領域を使用して評価されました。