Algorytm głębokiego uczenia się do wykrywania urazowych uszkodzeń śledziony i sekwencyjnej lokalizacji

Tło

Uraz śledziony jest najczęstszym litym urazem trzewnym w tępym urazie brzucha, a tomografia komputerowa (CT) jamy brzusznej o wysokiej rozdzielczości może odpowiednio wykryć uraz. Jednak te śmiertelne obrażenia były czasami pomijane w obecnej praktyce. Algorytmy głębokiego uczenia udowodniły swoje możliwości w wykrywaniu nieprawidłowych wyników w obrazach medycznych. Celem tego badania jest opracowanie trójwymiarowego algorytmu głębokiego uczenia bez nadzoru do wykrywania uszkodzenia śledziony w tomografii komputerowej jamy brzusznej przy użyciu sekwencyjnego podejścia do lokalizacji i klasyfikacji.

Materiał i metody

Retrospektywnie zebraliśmy dane od pacjentów, którzy przeszli kontrastową tomografię komputerową jamy brzusznej na oddziale ratunkowym Chang Gung Memorial Hospital, Linko, z powodu urazu i ostrego brzucha od lipca 2008 do grudnia 2017. Wszyscy pacjenci zostali zarejestrowani w rejestrach urazów i ostrego brzucha. Zebrano informacje demograficzne, w tym wiek, płeć, diagnozę choroby, mechanizm urazu, ocenę ciężkości urazu, ocenę ciężkości nowego urazu, skróconą skalę obrażeń i stopień uszkodzenia śledziony. Skany pokazujące uszkodzenie śledziony zostały zidentyfikowane jako pozytywne, a pozostałe skany zdefiniowano jako kontrole negatywne. Zidentyfikowaliśmy 300 skanów fazy żylnej z uszkodzeniem śledziony i losowo wybraliśmy 300 dodatkowych skanów fazy żylnej z kontroli negatywnych. Skany CT z urazami brzucha innymi niż uszkodzenie śledziony nie zostały wykluczone w celu zmniejszenia błędu selekcji. Wszystkie dane podzielono według wieku, płci, obecności uszkodzenia śledziony i stopnia ciężkości urazu przy użyciu warstwowego pobierania próbek do zestawu danych rozwojowych i zestawu testów w stosunku 8:2. Jedna ósma zestawu danych rozwojowych została następnie zarezerwowana jako zestaw do walidacji podczas budowy modelu.

Wstępne przetwarzanie i etykietowanie obrazu

Obrazy tomografii komputerowej uzyskano w oryginalnym formacie Digital Imaging and Communications in Medicine (DICOM). Obrazy zostały następnie przekonwertowane do formatu Neuroimaging Informatics Technology Initiative, tworząc trójwymiarowe obrazy oparte na wokselach. Nasz algorytm został następnie opracowany w oparciu o żylne przekroje osiowe, najczęstszy kierunek obrazowania w badaniach urazów jamy brzusznej. Podczas procesu uczenia zastosowano powiększanie obrazu poprzez translację, obracanie, skalowanie i zniekształcenia elastyczne, aby zwiększyć możliwości uogólnienia modelu.

Chirurg urazowy z 10-letnim doświadczeniem potwierdził wszystkie pozytywne i negatywne skany. We wszystkich skanach śledziona wraz z otaczającym ją tłem była pokryta ręcznie narysowaną trójwymiarową ramką ograniczającą.

Lokalizacja śledziony

Model lokalizacji został zaprojektowany w oparciu o 3D Faster RCNN z Resnet-101 jako strukturą szkieletową i przeszkolony na rozwojowym zbiorze danych. Użyliśmy entropii krzyżowej, utraty ogniskowej jako utraty klasy i utraty L1, przecięcia odległości nad związkiem (DIOU) jako utraty regresji pudełkowej i przyjęliśmy przecięcie nad związkiem (IOU) i DIOU w tłumieniu niemaksymalnym (NMS) do treningu algorytm wykrywania obiektów.

Identyfikacja i wizualizacja uszkodzenia śledziony

Przycięte obrazy 3D wykorzystano do opracowania modelu klasyfikacji uszkodzenia śledziony. Zmodyfikowaliśmy architekturę bloków, aby poprawić interpretowalność procesu wnioskowania wyuczonej sieci. Wynikiem modelu było prawdopodobieństwo uszkodzenia śledziony.

Wydajność modelu oceniono na podstawie pola pod krzywą charakterystyki działania odbiornika (AUROC), dokładności, czułości, specyficzności, dodatniej wartości predykcyjnej i ujemnej wartości predykcyjnej.