인공지능과 척추측만증

헬스케어와 관련된 AI에 대한 관심이 확대되고 있지만, 이러한 기술을 임상에 적용하거나 구현하는 데에는 많은 진전이 있었습니다. 따라서 우리는 연구를 진행하면서 의료 평가 도구와 물리치료 분야에 인공지능(AI)을 통합하는 새로운 연구 분야를 열 것입니다. 이를 통해 물리치료사의 적절한 평가 및 치료 계획 수립에 소요되는 시간과 노력을 절약하고, 이러한 사례에 대한 정확한 평가 및 관리와 관련된 재정적 부담을 낮춤으로써 환자와 국가 전체에 이익이 되며, 대다수의 척추에 대한 명확하고 객관적인 평가를 제공할 수 있습니다. 척추 측만증 기형 및 치료 계획을 위한 적절한 개인화.

무술과 방법

1. 실험 무술 이 섹션에서는 연구 결과를 제시하고 사용된 방법론과 얻은 결과를 자세히 설명합니다. 분석은 사용된 데이터세트의 개요로 시작되며, 데이터 품질과 모델 교육 적합성을 보장하기 위해 수행되는 전처리 단계가 이어집니다. 그런 다음 맞춤형 CNN(Convolutional Neural Networks)과 전이 학습을 통해 활용되는 사전 훈련된 모델을 포함하여 이 연구를 위해 선택된 다양한 접근 방식과 모델을 탐구합니다. 각 모델은 성능을 기준으로 평가되며, 효율성을 측정하는 데 사용되는 실험 설정 및 평가 지표에 대해 논의합니다. 마지막으로 실험 결과를 제시하여 모델 정확도, 정밀도, 재현율 및 기타 관련 지표에 대한 포괄적인 분석을 제공합니다.

   2.1 데이터 세트 수집 피험자의 데이터는 2개 그룹으로 나누어졌습니다. 그룹(A)의 정상 척추 전체 엑스레이는 664개의 이미지로 구성되었고, 그룹(B)의 척추 측만증 환자의 엑스레이는 4307개의 이미지로 구성되었습니다. 본 연구에 포함된 모든 척추 X-레이는 BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox 및 Roboflow를 포함한 다양한 소스에서 후향적으로 편집되어 척추측만증 관련 이미지의 다양하고 포괄적인 컬렉션을 보장합니다. 척추 측만증 환자는 (1) 다양한 병인으로 인해 척추 측만증으로 진단되었습니다. (2) 다음을 포함한 모든 척추 만곡에 대한 척추의 명확한 X-레이; 자궁 경부, 흉부 및 목재. (3) C자형 및 이중 C자형 척추측만증. (4) 경증, 중등도 및 중증 척추측만증 정도. (5) 평균 연령이 17세인 청소년(6) 성별 모두(남성 및 여성).

2. 목적이 있는 방법론 2.1 데이터 증강 제한된 데이터 문제를 해결하기 위해 우리는 데이터 증강을 사용하여 데이터 세트를 인위적으로 확장했습니다. 이 기술에는 뒤집기, 크기 조정, 회전 등 기존 이미지에 다양한 변환을 적용하여 새로운 훈련 샘플을 생성하는 작업이 포함됩니다. 이러한 증강은 데이터 세트 크기를 늘릴 뿐만 아니라 모델을 더 다양한 이미지 변형에 노출시켜 일반화하는 모델 능력을 향상시키는 데 중요한 역할을 합니다. 다양한 보기 조건과 왜곡을 시뮬레이션함으로써 데이터 증대는 실제 시나리오에서 발생할 수 있는 이미지 방향, 규모 및 기타 변형의 변화에 ​​대해 모델이 더욱 강력해지는 데 도움이 됩니다. 이 프로세스는 크고 다양한 데이터 세트를 획득하는 것이 어려울 수 있는 의료 이미지 분석에서 특히 중요합니다. 데이터 증대는 모델이 제한된 원래 데이터 세트에 과적합되지 않고 대신 척추측만증을 나타내는 기본 패턴을 인식하는 방법을 학습하여 궁극적으로 성능과 신뢰성을 향상시킵니다.

원본 이미지 뒤집힌 이미지 회전된 이미지 확대된 이미지

. 데이터 증강 기술 적용 이미지의 예 2.2 전처리 효과적인 전처리는 이미지의 품질과 일관성을 향상시켜 분석에 더 적합하게 만들기 때문에 모델 훈련을 위한 데이터 세트를 준비하는 데 중요한 단계입니다. 핵심 기술 중 하나는 히스토그램 평준화를 사용했는데, 이는 픽셀 강도의 미묘한 변화가 분류 정확도에 큰 영향을 미칠 수 있는 의료 영상에서 특히 중요합니다. 히스토그램 균등화는 강도 값을 재분배하여 이미지의 대비를 향상시켜 히스토그램(또는 픽셀 강도 분포)이 더욱 균일하게 퍼지도록 합니다. 이 프로세스는 이미지의 중요한 특징을 향상시켜 모델이 더 많은 정보를 얻을 수 있고 해석하기 쉽게 만듭니다.

2.3 접근 방식 및 모델 선택 이 연구에서는 정상 및 척추 측만증 이미지를 분류하는 복잡한 작업을 다루기 위해 다양한 기계 학습 및 딥 러닝 모델을 조사합니다. 연구 접근 방식은 실제 의료 응용에 매우 중요한 높은 분류 정확도 달성과 계산 효율성 유지 사이에서 최적의 균형을 이루도록 세심하게 설계되었습니다. 각 모델은 이미지 데이터 처리에 고유한 장점을 제공하고 삽입된 데이터 세트에서 성능을 최대화하도록 구성한 다양한 모델을 신중하게 선택했습니다. 다음 단락에서는 사용된 모델에 대한 포괄적인 개요, 선택 근거, 특정 구성 및 실험에서 얻은 결과에 대한 자세한 분석을 제공합니다. 이러한 철저한 조사는 선택한 모델의 효과를 강조할 뿐만 아니라 임상 환경에서의 잠재적 적용 가능성에 대한 통찰력도 제공합니다.

2.3.1 CNN(Convolutional Neural Network)은 이미지 분류 작업에서 뛰어난 기능을 위해 CNN(Convolutional Neural Network)을 활용했습니다. CNN은 컨볼루셔널 레이어, 풀링 레이어 및 밀집 레이어의 조합을 통해 이미지 내 공간 계층 및 특징을 캡처하는 데 탁월합니다. 컨볼루셔널 레이어: 이러한 레이어는 입력 이미지에 다양한 필터를 적용하여 가장자리, 텍스처와 같은 패턴을 감지하므로 CNN의 기본입니다. , 및 모양. 이미지 전체에 걸쳐 이러한 필터를 밀어서 컨벌루션 레이어는 이미지의 다양한 측면을 나타내는 특징 맵을 생성합니다. 우리는 특징 추출 과정을 최적화하기 위해 다양한 필터 크기와 필터 수를 실험했습니다.

풀링 레이어: 일반적으로 최대 풀링 또는 평균 풀링과 같은 작업을 사용하는 풀링 레이어는 컨볼루셔널 레이어에서 생성된 기능 맵을 다운샘플링합니다. 이는 특징 맵의 공간 차원을 줄여서 계산 부하를 줄이고 가장 두드러진 특징에 초점을 맞춰 모델이 더 잘 일반화되도록 돕습니다. 우리는 차원을 효과적으로 관리하고 모델 효율성을 향상시키기 위해 풀링 레이어를 사용했습니다.

Dense Layers: 컨볼루션 및 풀링 작업 후 컨볼루셔널 레이어에서 추출된 특징을 해석하는 데 사용되는 조밀한 레이어(완전 연결 레이어)입니다. 조밀한 레이어는 높은 수준의 특징을 집계하고 학습된 표현을 출력 레이블에 매핑하여 최종 분류를 수행합니다. 우리는 정확한 예측을 할 수 있는 모델 능력을 향상시키기 위해 밀도가 높은 레이어와 그 단위의 수를 조정했습니다.

이러한 컨벌루션, 풀링 및 밀집 레이어의 조합을 통해 우리는 정상 이미지와 척추측만증 이미지를 효과적으로 구별하는 강력한 CNN 아키텍처를 구축할 수 있었습니다.

2.3.2 전이학습

데이터 세트의 제한된 크기를 고려하여 전이 학습을 활용하여 광범위한 계산 리소스 없이 모델 성능을 향상했습니다. 전이 학습에는 크고 다양한 데이터 세트에서 개발된 사전 훈련된 모델을 사용하고 이를 특정 작업에 적용하는 것이 포함됩니다. 학습된 기능을 활용할 수 있는 몇 가지 고급 사전 훈련 모델:

XceptionNet: XceptionNet은 깊이별 분리 가능한 컨볼루션을 기반으로 하는 아키텍처로 컨볼루션 작업을 더 작고 효율적인 작업으로 분해합니다. 이 디자인은 복잡한 기능을 캡처하는 동시에 계산 복잡성을 줄이는 데 도움이 됩니다. 우리는 척추측만증 분류 작업에 학습된 기능을 적용하기 위해 XceptionNet을 미세 조정했습니다.

DenseNet201: DenseNet201은 각 레이어가 모든 이전 레이어로부터 입력을 받는 조밀한 연결 패턴이 특징입니다. 이 접근 방식은 특성 재사용을 촉진하고 학습 중에 경사 흐름을 개선합니다. DenseNet201은 강력한 특징 추출 기능을 활용하고 모델 정확도를 향상시키는 데 활용되었습니다.

EfficientNetB0: EfficientNetB0은 네트워크의 깊이, 너비 및 해상도를 균일하게 조정하는 복합 조정 방법을 사용합니다. 이 모델은 정확성과 효율성 사이의 균형으로 잘 알려져 있습니다. EfficientNetB0은 최적화된 아키텍처와 고성능의 이점을 활용하기 위해 데이터세트에 적응했습니다.

InceptionV3: InceptionV3은 다양한 필터 크기의 다중 병렬 컨벌루션 작업을 갖춘 복잡한 아키텍처를 갖추고 있어 광범위한 기능을 캡처할 수 있습니다. 강력한 특징 추출 및 다중 규모 처리 능력을 활용하기 위해 InceptionV3가 통합되었습니다.

MobileNetV2: MobileNetV2는 효율성과 속도를 염두에 두고 모바일 및 엣지 장치용으로 설계되었습니다. 모델 크기와 계산 요구 사항을 줄이기 위해 깊이별 분리 가능한 컨볼루션을 사용합니다. MobileNetV2는 모델 효율성과 분류 정확도 간의 균형을 달성하는 데 사용됩니다.

이러한 사전 훈련된 모델을 미세 조정함으로써 분류기가 고급 특징 추출 기능을 활용하고 정상 및 척추측만증 이미지를 분류하는 선택된 특정 작업에 적응할 수 있게 하여 성능을 향상시키고 훈련 시간을 단축시킵니다.