Kunstig intelligens og skoliose

Selv om oppmerksomheten innen kunstig intelligens knyttet til helsetjenester øker, har det vært mye fremgang i å oversette eller implementere disse teknologiene for klinisk bruk. Derfor, mens vi utfører vår forskning, vil vi åpne et nytt studiefelt for integrering av kunstig intelligens (AI) i medisinske vurderingsverktøy og fysioterapifelt. Dette vil spare fysioterapeuter for tid og krefter for å utvikle riktige evalueringer og gjennomføring av behandlingsplaner, være til fordel for pasienter og landet generelt ved å redusere den økonomiske byrden forbundet med å gjøre nøyaktige evalueringer og håndtering av disse tilfellene, og gi klare, objektive evalueringer for flertallet av ryggraden. skoliosedeformiteter samt passende personalisering for behandlingsplaner.

Kamp og metoder

1. Eksperimentkamper Denne delen presenterer funnene fra forskningen, og beskriver metodene som er brukt og resultatene som er oppnådd. Analysen begynner med en oversikt over datasettet som brukes, etterfulgt av forbehandlingstrinnene som er utført for å sikre datakvalitet og egnethet for modelltrening. deretter dykke ned i de ulike tilnærmingene og modellene valgt for denne studien, inkludert både tilpassede konvolusjonelle nevrale nettverk (CNN) og forhåndstrente modeller brukt gjennom overføringslæring. Hver modell vurderes basert på dens ytelse, og diskuterer eksperimentelle oppsett og evalueringsmålinger som brukes for å måle effektivitet. Til slutt presenterer de eksperimentelle resultatene, og gir en omfattende analyse av modellens nøyaktighet, presisjon, tilbakekalling og andre relevante beregninger.

   2.1 Datasettinnsamling Dataene til forsøkspersonene ble delt inn i 2 grupper. Gruppe (A) normal ryggrad totalt røntgen bestod av 664 bilder og gruppe (B) røntgen av skoliotiske pasienter besto av 4307 bilder. All spinal røntgen som er involvert i denne studien ble retrospektivt kompilert fra mange kilder, inkludert BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox og Roboflow, noe som sikrer en mangfoldig og omfattende samling av skoliose-relaterte bilder. Pasienter med skoliose ble (1) diagnostisert med skoliose for forskjellig etiologi, (2) klar røntgen for ryggraden for alle ryggradskrumninger inkludert; cervical, thorax og trelast. (3) C-formet og dobbel C-form skoliose. (4) milde, moderate og alvorlige skoliotiske grader. (5) Ungdom med gjennomsnittsalder 17(6) Både kjønn (mann og kvinne).

2. Formålsmetodikk 2.1 Dataforsterkning For å løse problemet med begrensede data, brukte vi dataforsterkning for å kunstig utvide datasettet vårt. Denne teknikken innebærer å generere nye treningsprøver ved å bruke ulike transformasjoner på de eksisterende bildene, for eksempel vending, skalering og rotering. Disse utvidelsene øker ikke bare datasettstørrelsen, men spiller også en avgjørende rolle i å forbedre modellens evne til å generalisere ved å eksponere den for et bredere utvalg av bildevariasjoner. Ved å simulere forskjellige visningsforhold og forvrengninger, hjelper dataforsterkning modellen til å bli mer robust overfor endringer i bildeorientering, skala og andre variasjoner som den kan møte i virkelige scenarier. Denne prosessen er spesielt viktig i medisinsk bildeanalyse, der det kan være utfordrende å anskaffe store, varierte datasett. Dataforsterkning sikrer at modellen ikke passer til det begrensede originale datasettet og i stedet lærer å gjenkjenne de underliggende mønstrene som indikerer skoliose, noe som til slutt forbedrer ytelsen og påliteligheten.

Originalbilder Snudd bilde Rotert bilde Skalert bilde

. Eksempler på dataforsterkningsteknikker anvendte bilder 2.2 Forbehandling Effektiv forbehandling er et kritisk trinn i å forberede datasettet vårt for modelltrening, siden det forbedrer kvaliteten og konsistensen til bildene, og gjør dem mer egnet for analyse. En av nøkkelteknikkene var histogramutjevning, som er spesielt viktig i medisinsk bildebehandling der subtile variasjoner i pikselintensitet kan påvirke nøyaktigheten av klassifiseringen betydelig. Histogramutjevning forbedrer kontrasten til bilder ved å omfordele intensitetsverdiene, og sikrer at histogrammet – eller fordelingen av pikselintensiteter – er jevnere spredt. Denne prosessen forbedrer viktige funksjoner i bildene, noe som gjør dem mer informative og lettere for modellen å tolke.

2.3 Tilnærminger og modellvalg Denne studien undersøker ulike maskinlærings- og dyplæringsmodeller for å takle den komplekse oppgaven med å klassifisere normale bilder og skoliosebilder. Forskningstilnærmingen ble omhyggelig utformet for å finne en optimal balanse mellom å oppnå høy klassifiseringsnøyaktighet og opprettholde beregningseffektivitet, noe som er avgjørende for medisinske anvendelser i den virkelige verden. Et nøye utvalg av modeller, som hver tilbyr unike styrker i håndtering av bildedata, og konfigurerte dem for å maksimere ytelsen på det innsatte datasettet. De følgende avsnittene gir en omfattende oversikt over modellene som ble brukt, begrunnelsen bak valg, deres spesifikke konfigurasjoner og en detaljert analyse av resultatene oppnådd fra eksperimentene. Denne grundige undersøkelsen fremhever ikke bare effektiviteten til de valgte modellene, men gir også innsikt i deres potensielle anvendelighet i kliniske omgivelser.

2.3.1 Convolutional Neural Networks (CNNs) benyttet Convolutional Neural Networks (CNNs) for eksepsjonell kapasitet i bildeklassifiseringsoppgaver. CNN-er utmerker seg ved å fange romlige hierarkier og funksjoner i bilder gjennom en kombinasjon av konvolusjonslag, sammenslåingslag og tette lag Konvolusjonslag: Disse lagene er grunnleggende for CNN-er, ettersom de bruker forskjellige filtre på inngangsbildene for å oppdage mønstre som kanter, teksturer , og former. Ved å skyve disse filtrene over bildet, genererer konvolusjonslag funksjonskart som representerer forskjellige aspekter av bildet. Vi eksperimenterte med ulike filterstørrelser og antall filtre for å optimalisere funksjonsutvinningsprosessen.

Sammenslåing av lag: Sammenslåing av lag, vanligvis ved bruk av operasjoner som maksimal sammenslåing eller gjennomsnittlig sammenslåing, nedsampler funksjonskartene produsert av konvolusjonslag. Dette reduserer de romlige dimensjonene til funksjonskartene, og reduserer dermed beregningsbelastningen og hjelper modellen til å generalisere bedre ved å fokusere på de mest fremtredende funksjonene. Vi brukte pooling-lag for å effektivt administrere dimensjonaliteten og forbedre modellens effektivitet.

Tette lag: Etter konvolusjons- og sammenslåingsoperasjonene, ble tette lag (fullt sammenkoblede lag) brukt til å tolke funksjonene som trekkes ut av konvolusjonslagene. Tette lag samler funksjonene på høyt nivå og utfører den endelige klassifiseringen ved å kartlegge de lærte representasjonene til utdataetikettene. Vi justerte antall tette lag og deres enheter for å forbedre modellens evne til å lage nøyaktige spådommer.

Denne kombinasjonen av konvolusjon, pooling og tette lag tillot oss å bygge en robust CNN-arkitektur som effektivt skiller mellom normale og skoliosebilder.

2.3.2 Overføre læring

Gitt den begrensede størrelsen på datasettet vårt, utnyttet vi overføringslæring for å forbedre modellytelsen uten omfattende beregningsressurser. Overføringslæring innebærer å bruke forhåndstrente modeller utviklet på store, varierte datasett - og tilpasse dem til vår spesifikke oppgave. flere avanserte forhåndstrente modeller for å dra nytte av deres lærte funksjoner:

XceptionNet: XceptionNet er en arkitektur basert på dybdemessig separerbare konvolveringer, som dekomponerer konvolusjonsoperasjoner til mindre, mer effektive operasjoner. Denne utformingen hjelper til med å fange opp komplekse funksjoner samtidig som den reduserer beregningsmessig kompleksitet. Vi finjusterte XceptionNet for å tilpasse de lærte funksjonene for skolioseklassifiseringsoppgaven vår.

DenseNet201: DenseNet201 er preget av sitt tette tilkoblingsmønster, der hvert lag mottar input fra alle foregående lag. Denne tilnærmingen fremmer gjenbruk av funksjoner og forbedrer gradientflyt under trening. DenseNet201 brukes til å utnytte sine sterke funksjoner for utvinning og forbedre modellens nøyaktighet.

EfficientNetB0: EfficientNetB0 bruker en sammensatt skaleringsmetode som jevnt skalerer dybden, bredden og oppløsningen til nettverket. Denne modellen er kjent for sin balanse mellom nøyaktighet og effektivitet. EfficientNetB0 tilpasset datasettet for å dra nytte av dens optimaliserte arkitektur og høye ytelse.

InceptionV3: InceptionV3 har en kompleks arkitektur med flere parallelle konvolusjonsoperasjoner av varierende filterstørrelser, noe som gjør det mulig å fange et bredt spekter av funksjoner. InceptionV3 innlemmet for å dra nytte av sin robuste funksjonsutvinning og multi-skala prosesseringsevne.

MobileNetV2: MobileNetV2 er designet for mobile og avanserte enheter med effektivitet og hastighet i tankene. Den bruker dybdemessig separerbare konvolusjoner for å redusere modellstørrelse og beregningskrav. MobileNetV2 brukes til å oppnå en balanse mellom modelleffektivitet og klassifiseringsnøyaktighet.

Ved å finjustere disse forhåndstrente modellene, gjør klassifikatorene i stand til å utnytte sine avanserte funksjonsekstraksjonsevner og tilpasse dem til utvalgte spesifikke oppgaver med å klassifisere normal- og skoliosebilder, noe som resulterer i forbedret ytelse og redusert treningstid.