Kunstmatige intelligentie en scoliose

Hoewel de aandacht voor AI in verband met de gezondheidszorg toeneemt, is er veel vooruitgang geboekt bij het vertalen of implementeren van deze technologieën voor klinisch gebruik. Daarom zullen we, terwijl we ons onderzoek uitvoeren, een nieuw onderzoeksgebied openen voor de integratie van kunstmatige intelligentie (AI) in medische beoordelingsinstrumenten en op het gebied van fysiotherapie. Dit zal fysiotherapeuten tijd en moeite besparen bij het ontwikkelen van goede evaluaties en het uitvoeren van behandelplannen, zal de patiënten en het land in het algemeen ten goede komen door de financiële last te verlagen die gepaard gaat met het maken van nauwkeurige evaluaties en het beheer van deze gevallen, en zal duidelijke, objectieve evaluaties opleveren voor de meerderheid van de wervelkolompatiënten. scoliose-misvormingen en passende personalisatie voor behandelplannen.

Martial en methoden

1. Experiment martials Dit deel presenteert de bevindingen van het onderzoek, met details over de gebruikte methodologieën en de verkregen resultaten. De analyse begint met een overzicht van de gebruikte dataset, gevolgd door de voorbewerkingsstappen die zijn ondernomen om de gegevenskwaliteit en geschiktheid voor modeltraining te garanderen. verdiep je vervolgens in de verschillende benaderingen en modellen die voor dit onderzoek zijn geselecteerd, waaronder zowel op maat gemaakte Convolutional Neural Networks (CNN's) als vooraf getrainde modellen die worden gebruikt via transfer learning. Elk model wordt beoordeeld op basis van zijn prestaties en bespreekt de experimentele opzet en evaluatiestatistieken die worden gebruikt om de effectiviteit te meten. Ten slotte worden de experimentele resultaten gepresenteerd, met een uitgebreide analyse van de nauwkeurigheid, precisie, herinnering en andere relevante statistieken van het model.

   2.1 Verzameling van datasets De gegevens van de proefpersonen werden verdeeld over 2 groepen. De totale röntgenfoto van groep (A) met de normale wervelkolom bestond uit 664 beelden en de röntgenfoto van groep (B) met scoliotische patiënten bestond uit 4307 beelden. Alle röntgenfoto's van de wervelkolom die bij dit onderzoek betrokken waren, werden retrospectief samengesteld uit diverse bronnen, waaronder BUU-datasets, Kaggle, Mendeley Data, Huggingface, Dropbox en Roboflow, waardoor een gevarieerde en uitgebreide verzameling scoliose-gerelateerde afbeeldingen werd gegarandeerd. Bij patiënten met scoliose werd (1) de diagnose scoliose gesteld vanwege verschillende etiologieën, (2) duidelijke röntgenfoto's voor de wervelkolom voor alle krommingen van de wervelkolom, waaronder; cervicale, thoracale en timmerhout. (3) C-vormige en dubbele C-vormige scoliose. (4) milde, matige en ernstige scoliotische graden. (5) Adolescenten met een gemiddelde leeftijd van 17 jaar (6) Zowel geslacht (man als vrouw).

2. Doelgerichte methodologie 2.1 Data-vergroting Om het probleem van de beperkte data aan te pakken, hebben we data-vergroting gebruikt om onze dataset kunstmatig uit te breiden. Deze techniek omvat het genereren van nieuwe trainingsvoorbeelden door verschillende transformaties op de bestaande afbeeldingen toe te passen, zoals spiegelen, schalen en roteren. Deze uitbreidingen vergroten niet alleen de omvang van de dataset, maar spelen ook een cruciale rol bij het vergroten van het vermogen van het model om te generaliseren door het bloot te stellen aan een grotere verscheidenheid aan beeldvariaties. Door verschillende kijkomstandigheden en vervormingen te simuleren, helpt gegevensvergroting het model robuuster te maken voor veranderingen in beeldoriëntatie, schaal en andere variaties die het in praktijkscenario's kan tegenkomen. Dit proces is vooral belangrijk bij de analyse van medische beelden, waarbij het verwerven van grote, diverse datasets een uitdaging kan zijn. Gegevensvergroting zorgt ervoor dat het model niet te veel past bij de beperkte originele dataset en in plaats daarvan de onderliggende patronen leert herkennen die indicatief zijn voor scoliose, waardoor uiteindelijk de prestaties en betrouwbaarheid ervan worden verbeterd.

Originele afbeeldingen Omgedraaid beeld Geroteerd beeld Geschaalde afbeelding

. Voorbeelden van toegepaste data-augmentatietechnieken 2.2 Voorverwerking Effectieve voorverwerking is een cruciale stap bij het voorbereiden van onze dataset voor modeltraining, omdat het de kwaliteit en consistentie van de beelden verbetert, waardoor ze geschikter worden voor analyse. Een van de belangrijkste technieken was het gebruik van histogram-equalisatie, wat vooral belangrijk is bij medische beeldvorming, waar subtiele variaties in pixelintensiteit de nauwkeurigheid van de classificatie aanzienlijk kunnen beïnvloeden. Histogram-equalisatie verbetert het contrast van afbeeldingen door de intensiteitswaarden ervan te herverdelen, waardoor het histogram (of de verdeling van pixelintensiteiten) gelijkmatiger wordt verspreid. Dit proces verbetert belangrijke kenmerken in de afbeeldingen, waardoor ze informatiever worden en gemakkelijker door het model kunnen worden geïnterpreteerd.

2.3 Benaderingen en modelselectie In dit onderzoek worden verschillende machine learning- en deep learning-modellen onderzocht om de complexe taak van het classificeren van normale en scoliosebeelden aan te pakken. De onderzoeksaanpak is zorgvuldig ontworpen om een ​​optimaal evenwicht te vinden tussen het bereiken van een hoge classificatienauwkeurigheid en het behouden van de rekenefficiëntie, wat cruciaal is voor medische toepassingen in de echte wereld. Een zorgvuldige selectie voor een reeks modellen, die elk unieke sterke punten bieden bij het verwerken van beeldgegevens, en deze hebben geconfigureerd om hun prestaties op de ingevoegde dataset te maximaliseren. De volgende paragrafen geven een uitgebreid overzicht van de gebruikte modellen, de reden achter hun selectie, hun specifieke configuraties en een gedetailleerde analyse van de resultaten verkregen uit de experimenten. Dit grondige onderzoek benadrukt niet alleen de effectiviteit van de gekozen modellen, maar biedt ook inzicht in hun potentiële toepasbaarheid in klinische settings.

2.3.1 Convolutionele Neurale Netwerken (CNN's) maakten gebruik van Convolutionele Neurale Netwerken (CNN's) voor uitzonderlijke capaciteiten bij beeldclassificatietaken. CNN's blinken uit in het vastleggen van ruimtelijke hiërarchieën en kenmerken binnen afbeeldingen door een combinatie van convolutionele lagen, poolinglagen en dichte lagen. Convolutionele lagen: deze lagen zijn van fundamenteel belang voor CNN's, omdat ze verschillende filters toepassen op de invoerafbeeldingen om patronen zoals randen en texturen te detecteren , en vormen. Door deze filters over de afbeelding te schuiven, genereren convolutionele lagen featuremaps die verschillende aspecten van de afbeelding vertegenwoordigen. We hebben geëxperimenteerd met verschillende filtergroottes en aantallen filters om het extractieproces van kenmerken te optimaliseren.

Poolinglagen: Het poolen van lagen, waarbij doorgaans gebruik wordt gemaakt van bewerkingen zoals maximale pooling of gemiddelde pooling, down-sampling van de featuremaps die door convolutionele lagen worden geproduceerd. Dit vermindert de ruimtelijke dimensies van de kenmerkkaarten, waardoor de rekenlast wordt verminderd en het model wordt geholpen beter te generaliseren door zich te concentreren op de meest opvallende kenmerken. We hebben poolinglagen gebruikt om de dimensionaliteit effectief te beheren en de modelefficiëntie te verbeteren.

Dichte lagen: Na de convolutionele en pooloperaties werden dichte lagen (volledig verbonden lagen) gebruikt om de kenmerken te interpreteren die door de convolutionele lagen werden geëxtraheerd. Dichte lagen aggregeren de functies op hoog niveau en voeren de uiteindelijke classificatie uit door de geleerde representaties toe te wijzen aan de uitvoerlabels. We hebben het aantal dichte lagen en hun eenheden afgestemd om het modelvermogen om nauwkeurige voorspellingen te doen te verbeteren.

Deze combinatie van convolutionele, samengevoegde en dichte lagen stelde ons in staat een robuuste CNN-architectuur te bouwen die effectief onderscheid maakt tussen normale en scoliosebeelden.

2.3.2 Leren overdragen

Gezien de beperkte omvang van onze dataset hebben we gebruik gemaakt van transfer learning om de modelprestaties te verbeteren zonder uitgebreide computerbronnen. Bij transferleren gaat het om het gebruik van vooraf getrainde modellen – ontwikkeld op grote, diverse datasets – en het aanpassen ervan aan onze specifieke taak. verschillende geavanceerde, vooraf getrainde modellen om te profiteren van hun aangeleerde functies:

XceptionNet: XceptionNet is een architectuur gebaseerd op in de diepte scheidbare convoluties, die convolutiebewerkingen opsplitst in kleinere, efficiëntere bewerkingen. Dit ontwerp helpt complexe kenmerken vast te leggen en tegelijkertijd de rekencomplexiteit te verminderen. We hebben XceptionNet verfijnd om de geleerde functies aan te passen voor onze scolioseclassificatietaak.

DenseNet201: DenseNet201 wordt gekenmerkt door zijn dichte connectiviteitspatroon, waarbij elke laag invoer ontvangt van alle voorgaande lagen. Deze aanpak bevordert het hergebruik van functies en verbetert de gradiëntstroom tijdens de training. DenseNet201 heeft gebruik gemaakt van de krachtige functionaliteit voor het extraheren van functies en het verbeteren van de nauwkeurigheid van ons model.

EfficientNetB0: EfficientNetB0 maakt gebruik van een samengestelde schaalmethode die de diepte, breedte en resolutie van het netwerk uniform schaalt. Dit model staat bekend om zijn balans tussen nauwkeurigheid en efficiëntie. EfficientNetB0 heeft zich aangepast aan de dataset om te profiteren van de geoptimaliseerde architectuur en hoge prestaties.

InceptionV3: InceptionV3 beschikt over een complexe architectuur met meerdere parallelle convolutionele bewerkingen van verschillende filtergroottes, waardoor het een breed scala aan functies kan vastleggen. InceptionV3 is opgenomen om te profiteren van de robuuste functie-extractie en verwerkingsmogelijkheden op meerdere schaal.

MobileNetV2: MobileNetV2 is ontworpen voor mobiele apparaten en edge-apparaten met efficiëntie en snelheid in gedachten. Het maakt gebruik van in de diepte scheidbare convoluties om de modelgrootte en rekenvereisten te verminderen. MobileNetV2 werd gebruikt om een ​​evenwicht te bereiken tussen modelefficiëntie en classificatienauwkeurigheid.

Door deze vooraf getrainde modellen te verfijnen, kunnen de classificatoren hun geavanceerde functie-extractiemogelijkheden benutten en deze aanpassen aan de geselecteerde specifieke taak van het classificeren van normale en scoliose-beelden, wat resulteert in verbeterde prestaties en een kortere trainingstijd.