외상성 비장 손상 감지 및 순차적 현지화를 위한 딥러닝 알고리즘

배경

비장 손상은 복부 둔기 외상에서 가장 흔한 고형 내장 손상이며 고해상도 복부 컴퓨터 단층촬영(CT)으로 손상을 적절하게 감지할 수 있습니다. 그러나 이러한 치명적인 부상은 때때로 현재의 관행에서 간과되었습니다. 딥 러닝 알고리즘은 의료 영상에서 비정상적인 결과를 감지하는 능력을 입증했습니다. 이 연구의 목적은 순차적 국소화 및 분류 접근법을 사용하여 복부 CT에서 비장 손상을 감지하기 위한 3차원 무감독 딥러닝 알고리즘을 개발하는 것입니다.

재료 및 방법

2008년 7월부터 2017년 12월까지 외상과 급성 복부로 린코 장궁기념병원 응급실에서 조영제강화복부CT를 시행한 환자들을 대상으로 후향적으로 자료를 수집하였다. 모든 환자는 외상 및 급성 복부 레지스트리에 등록되었습니다. 연령, 성별, 질병 진단, 외상 기전, 손상 심각도 점수, 새로운 손상 심각도 점수, 약식 손상 척도 및 비장 손상 등급을 포함한 인구통계학적 정보를 수집했습니다. 비장 손상을 보여주는 스캔은 양성으로 확인되었고 나머지 스캔은 음성 대조군으로 정의되었습니다. 우리는 비장 손상이 있는 300개의 정맥 위상 스캔을 식별하고 음성 대조군에서 무작위로 300개의 추가 정맥 위상 스캔을 선택했습니다. 비장 손상 이외의 복부 외상 손상이 있는 CT 스캔은 선택 편향을 줄이기 위해 제외되지 않았습니다. 모든 데이터는 층화 샘플링을 사용하여 연령, 성별, 비장 손상의 존재 및 손상 심각도 점수에 따라 발달 데이터 세트와 테스트 세트를 8:2 비율로 나누었습니다. 개발 데이터 세트의 1/8은 모델 구성 중에 유효성 검사 세트로 추가로 예약되었습니다.

이미지 전처리 및 라벨링

CT 스캔 이미지는 원본 DICOM(Digital Imaging and Communications in Medicine) 형식으로 수집되었습니다. 그런 다음 이미지를 Neuroimaging Informatics Technology Initiative 형식으로 변환하여 3D 복셀 기반 이미지를 생성했습니다. 그런 다음 우리의 알고리즘은 복부 외상 조사에서 가장 일반적인 영상 방향인 정맥 축 절편을 기반으로 개발되었습니다. 학습 과정에서 모델 일반화 가능성을 높이기 위해 변환, 회전, 스케일링 및 탄성 왜곡에 의한 이미지 확대가 적용되었습니다.

10년 경력의 외상 전문의가 양성 및 음성 스캔을 모두 확인했습니다. 모든 스캔에서 주변 배경이 있는 비장은 수동으로 그린 ​​3D 경계 상자로 덮여 있습니다.

비장 현지화

현지화 모델은 Resnet-101을 백본 구조로 사용하는 3D Faster RCNN을 기반으로 설계되었으며 개발 데이터 세트에서 훈련되었습니다. 우리는 클래스 손실로 교차 엔트로피, 초점 손실, 상자 회귀 손실로 L1 손실, DIOU(Distance Intersection over Union)를 사용했으며, NMS(Non-maximum suppression)에서 IOU(Intersection over Union) 및 DIOU를 채택하여 학습했습니다. 객체 감지 알고리즘.

비장 손상 식별 및 시각화

자른 3D 이미지는 비장 손상 분류 모델을 개발하는 데 사용되었습니다. 우리는 학습된 네트워크의 추론 프로세스의 해석 가능성을 향상시키기 위해 블록 아키텍처를 수정했습니다. 모델의 출력은 비장 손상의 확률이었습니다.

모델 성능은 AUROC(Receiver Operating Characteristic Curve) 아래 영역, 정확도, 민감도, 특이도, 양의 예측값 및 음의 예측값을 사용하여 평가되었습니다.