Dyplæringsalgoritme for deteksjon av traumatisk miltskade og sekvensiell lokalisering

Bakgrunn

Miltskade er den vanligste solide viscerale skaden ved stump abdominal traume, og høyoppløselig abdominal computertomografi (CT) kan detektere skaden tilstrekkelig. Imidlertid har disse dødelige skadene noen ganger blitt oversett i dagens praksis. Dyplæringsalgoritmer har bevist sine evner til å oppdage unormale funn i medisinske bilder. Målet med denne studien er å utvikle en tredimensjonal, uovervåket dyplæringsalgoritme for å oppdage miltskade på abdominal CT ved bruk av en sekvensiell lokaliserings- og klassifiseringstilnærming.

Materialer og metoder

Vi har retrospektivt samlet inn data fra pasienter som gjennomgikk kontrastforsterket abdominal CT i akuttmottaket til Chang Gung Memorial Hospital, Linko, på grunn av traumer og akutt abdomen fra juli 2008 til desember 2017. Alle pasienter ble registrert i traume- og akutt abdomenregisteret. Demografisk informasjon, inkludert alder, kjønn, sykdomsdiagnose, traumemekanisme, alvorlighetsgrad for skade, ny alvorlighetsgrad for skade, forkortet skadeskala og miltskadegrad, ble samlet inn. Skanninger som viste miltskade ble identifisert som positive, og de resterende skanningene ble definert som negative kontroller. Vi identifiserte 300 venøse faseskanninger med miltskade og valgte tilfeldig ut 300 ekstra venøse faseskanninger fra de negative kontrollene. CT-skanninger med andre abdominale traumeskader enn miltskade ble ikke ekskludert for å redusere seleksjonsbias. Alle data ble delt etter alder, kjønn, tilstedeværelsen av miltskade og skadens alvorlighetsgrad ved bruk av stratifisert prøvetaking i utviklingsdatasettet og testen satt til et forhold på 8:2. En åttendedel av utviklingsdatasettet ble videre reservert som valideringssettet under modellkonstruksjon.

Bildeforbehandling og merking

CT-skanningsbildene ble innhentet i det originale formatet Digital Imaging and Communications in Medicine (DICOM). Bildene ble deretter konvertert til Neuroimaging Informatics Technology Initiative-formatet, og produserte 3D-voxel-baserte bilder. Algoritmen vår ble deretter utviklet basert på de venøse aksiale skivene, den vanligste avbildningsretningen i abdominale traumeundersøkelser. Under treningsprosessen ble bildeforsterkning ved translasjon, rotasjon, skalering og elastiske forvrengninger brukt for å øke modellens generaliserbarhet.

En traumekirurg med 10 års erfaring bekreftet alle de positive og negative skanningene. I alle skanninger ble milten med den omkringliggende bakgrunnen dekket med en manuelt tegnet 3D-grenseboks.

Milt lokalisering

Lokaliseringsmodellen ble designet basert på 3D Faster RCNN med Resnet-101 som ryggradsstruktur og trent på utviklingsdatasettet. Vi brukte kryssentropi, fokaltap som klassetapet og L1-tap, distansekryss over forening (DIOU) som boksregresjonstap, og adopterte skjæringspunkt over forening (IOU) og DIOU i ikke-maksimal undertrykkelse (NMS) for trening av objektdeteksjonsalgoritmen.

Identifisering og visualisering av miltskade

De beskårne 3D-bildene ble brukt til å utvikle miltskadeklassifiseringsmodellen. Vi modifiserte blokkarkitekturen for å forbedre tolkbarheten av resonneringsprosessen til det lærte nettverket. Resultatet av modellen var sannsynligheten for miltskade.

Modellytelsen ble evaluert ved å bruke arealet under mottakerens driftskarakteristiske kurve (AUROC), nøyaktighet, sensitivitet, spesifisitet, positiv prediktiv verdi og negativ prediktiv verdi.