Deep Learning-algoritme voor detectie van traumatisch miltletsel en sequentiële lokalisatie

Achtergrond

Miltletsel is het meest voorkomende solide viscerale letsel bij stomp abdominaal trauma, en abdominale computertomografie (CT) met hoge resolutie kan het letsel adequaat detecteren. In de huidige praktijk worden deze dodelijke verwondingen echter soms over het hoofd gezien. Deep learning-algoritmen hebben hun capaciteiten bewezen bij het detecteren van abnormale bevindingen in medische beelden. Het doel van deze studie is om een ​​driedimensionaal, ongecontroleerd deep learning-algoritme te ontwikkelen voor het detecteren van miltletsel op abdominale CT met behulp van een sequentiële lokalisatie- en classificatiebenadering.

Materiaal en methoden

We verzamelden retrospectief gegevens van patiënten die contrastversterkte abdominale CT ondergingen op de afdeling spoedeisende hulp van het Chang Gung Memorial Hospital, Linko, vanwege trauma en acute buik van juli 2008 tot december 2017. Alle patiënten werden geregistreerd in de registers trauma en acute buik. Er werd demografische informatie verzameld, waaronder leeftijd, geslacht, ziektediagnose, traumamechanisme, Injury Severity Score, New Injury Severity Score, Abbreviated Injury Scale en graad van miltletsel. Scans die miltletsel vertoonden, werden als positief geïdentificeerd en de overige scans werden als negatieve controles gedefinieerd. We identificeerden 300 veneuze fasescans met miltletsel en selecteerden willekeurig 300 extra veneuze fasescans uit de negatieve controles. CT-scans met ander abdominaal trauma dan miltletsel werden niet uitgesloten om de selectiebias te verminderen. Alle gegevens werden uitgesplitst naar leeftijd, geslacht, de aanwezigheid van miltletsel en de ernstscore van het letsel met behulp van gestratificeerde steekproeven in de ontwikkelingsdataset en de testset in een verhouding van 8:2. Een achtste van de ontwikkelingsdataset werd verder gereserveerd als de validatieset tijdens de modelconstructie.

Voorbewerken en labelen van afbeeldingen

De CT-scanbeelden zijn verkregen in het originele DICOM-formaat (Digital Imaging and Communications in Medicine). De afbeeldingen werden vervolgens geconverteerd naar het Neuroimaging Informatics Technology Initiative-formaat, waardoor 3D-voxel-gebaseerde afbeeldingen werden geproduceerd. Ons algoritme werd vervolgens ontwikkeld op basis van de veneuze axiale plakjes, de meest gebruikelijke beeldvormingsrichting bij onderzoeken naar buiktrauma's. Tijdens het trainingsproces werd beeldvergroting door translatie, rotatie, schaling en elastische vervormingen toegepast om de generaliseerbaarheid van het model te vergroten.

Een traumachirurg met 10 jaar ervaring bevestigde alle positieve en negatieve scans. Bij alle scans was de milt met de omliggende achtergrond bedekt met een handmatig getekend 3D-kader.

Lokalisatie van de milt

Het lokalisatiemodel is ontworpen op basis van 3D Faster RCNN met Resnet-101 als ruggengraatstructuur en getraind op de ontwikkelingsdataset. We gebruikten cross-entropie, focaal verlies als klasseverlies, en L1-verlies, afstandskruising over unie (DIOU) als boxregressieverlies, en adopteerden intersection over union (IOU) en DIOU in niet-maximale onderdrukking (NMS) voor het trainen van het algoritme voor objectdetectie.

Identificatie en visualisatie van miltletsel

De bijgesneden 3D-beelden werden gebruikt om het classificatiemodel voor miltletsel te ontwikkelen. We hebben de blokarchitectuur aangepast om de interpreteerbaarheid van het redeneerproces van het aangeleerde netwerk te verbeteren. De output van het model was de waarschijnlijkheid van miltletsel.

De prestaties van het model werden geëvalueerd aan de hand van het gebied onder de AUROC (Area Under the Receiver Operating Characteristic Curve), nauwkeurigheid, gevoeligheid, specificiteit, positief voorspellende waarde en negatief voorspellende waarde.