Sztuczna inteligencja i skolioza

Chociaż zainteresowanie sztuczną inteligencją związaną z opieką zdrowotną stale rośnie, poczyniono znaczne postępy w tłumaczeniu lub wdrażaniu tych technologii do zastosowań klinicznych. Dlatego też, prowadząc nasze badania, otworzymy nowy kierunek studiów w zakresie integracji sztucznej inteligencji (AI) z narzędziami oceny medycznej i dziedziną fizjoterapii. Zaoszczędzi to czas i wysiłek fizjoterapeutów potrzebnych na opracowywanie właściwych ocen i prowadzenie planów leczenia, przyniesie korzyści pacjentom i całemu krajowi poprzez zmniejszenie obciążeń finansowych związanych z dokonywaniem dokładnych ocen i postępowaniem w takich przypadkach, a także zapewni jasne, obiektywne oceny większości schorzeń kręgosłupa deformacji skoliozowych oraz odpowiednią personalizację planów leczenia.

Walka i metody

1. Eksperymentalne sztuki walki W tej części przedstawiono wyniki badań, szczegółowo opisując zastosowaną metodologię i uzyskane wyniki. Analiza rozpoczyna się od przeglądu użytego zbioru danych, po którym następują etapy wstępnego przetwarzania podjęte w celu zapewnienia jakości danych i przydatności do uczenia modeli. następnie zapoznaj się z różnymi podejściami i modelami wybranymi do tego badania, w tym zarówno niestandardowymi konwolucyjnymi sieciami neuronowymi (CNN), jak i wstępnie wytrenowanymi modelami wykorzystywanymi w procesie uczenia się transferowego. Każdy model jest oceniany na podstawie jego wydajności i omawia konfigurację eksperymentu oraz metryki oceny stosowane do pomiaru efektywności. Na koniec prezentacja wyników eksperymentów, zapewniająca wszechstronną analizę dokładności modelu, precyzji, przypominania i innych istotnych wskaźników.

   2.1 Zbieranie danych Dane pacjentów podzielono na 2 grupy. W grupie (A) zdjęcie rentgenowskie kręgosłupa prawidłowego składało się z 664 zdjęć, a w grupie (B) zdjęcie rentgenowskie pacjentów ze skoliozą – 4307 zdjęć. Wszystkie zdjęcia rentgenowskie kręgosłupa uwzględnione w tym badaniu zostały retrospektywnie zebrane z różnych źródeł, w tym zestawów danych BUU, Kaggle, Mendeley Data, Huggingface, Dropbox i Roboflow, zapewniając różnorodny i kompleksowy zbiór obrazów związanych ze skoliozą. U pacjenta ze skoliozą (1) zdiagnozowano skoliozę o różnej etiologii, (2) wykonano badanie RTG kręgosłupa dla wszystkich krzywizn kręgosłupa, w tym; szyjnego, piersiowego i drzewnego. (3) Skolioza w kształcie litery C i podwójnego C. (4) łagodne, umiarkowane i ciężkie stopnie skoliotyczne. (5) Młodzież w średnim wieku 17 lat (6). Obie płci (mężczyźni i kobiety).

2. Zamierzona metodologia 2.1 Powiększanie danych Aby rozwiązać problem ograniczonych danych, zastosowaliśmy powiększanie danych w celu sztucznego rozszerzenia naszego zbioru danych. Technika ta polega na generowaniu nowych próbek szkoleniowych poprzez zastosowanie różnych transformacji istniejących obrazów, takich jak odwracanie, skalowanie i obracanie. Te ulepszenia nie tylko zwiększają rozmiar zbioru danych, ale także odgrywają kluczową rolę w zwiększaniu zdolności modelu do uogólniania poprzez wystawienie go na szerszą gamę odmian obrazu. Symulując różne warunki oglądania i zniekształcenia, powiększanie danych pomaga modelowi stać się bardziej odpornym na zmiany w orientacji obrazu, skali i inne różnice, które może napotkać w rzeczywistych scenariuszach. Proces ten jest szczególnie ważny w analizie obrazów medycznych, gdzie pozyskanie dużych i różnorodnych zbiorów danych może być wyzwaniem. Zwiększanie danych gwarantuje, że model nie będzie nadmiernie pasował do ograniczonego oryginalnego zbioru danych, a zamiast tego nauczy się rozpoznawać podstawowe wzorce wskazujące na skoliozę, co ostatecznie poprawi jego wydajność i niezawodność.

Obrazy oryginalne Obraz odwrócony Obraz obrócony Obraz skalowany

. Przykłady technik powiększania danych Stosowane obrazy 2.2 Przetwarzanie wstępne Efektywne przetwarzanie wstępne jest krytycznym krokiem w przygotowaniu naszego zbioru danych do uczenia modelu, ponieważ poprawia jakość i spójność obrazów, czyniąc je bardziej przydatnymi do analizy. Jedną z kluczowych technik było zastosowanie wyrównywania histogramów, co jest szczególnie istotne w obrazowaniu medycznym, gdzie subtelne różnice w intensywności pikseli mogą znacząco wpłynąć na dokładność klasyfikacji. Wyrównywanie histogramu poprawia kontrast obrazów poprzez redystrybucję ich wartości intensywności, zapewniając bardziej równomierne rozłożenie histogramu, czyli rozkładu intensywności pikseli. Proces ten ulepsza ważne cechy obrazów, czyniąc je bardziej informacyjnymi i łatwiejszymi do interpretacji przez model.

2.3 Podejścia i wybór modelu To badanie sprawdzające różne modele uczenia maszynowego i głębokiego uczenia się w celu rozwiązania złożonego zadania klasyfikacji obrazów normalnych i skoliozowych. Podejście badawcze zostało szczegółowo zaprojektowane tak, aby zapewnić optymalną równowagę pomiędzy osiągnięciem wysokiej dokładności klasyfikacji a utrzymaniem wydajności obliczeniowej, która ma kluczowe znaczenie w rzeczywistych zastosowaniach medycznych. Staranny wybór szeregu modeli, z których każdy oferuje unikalne zalety w obsłudze danych obrazu, i skonfigurowanie ich w celu maksymalizacji wydajności we wstawionym zestawie danych. Poniższe akapity zawierają kompleksowy przegląd zastosowanych modeli, uzasadnienie ich wyboru, ich specyficzne konfiguracje oraz szczegółową analizę wyników uzyskanych z eksperymentów. To dokładne badanie nie tylko podkreśla skuteczność wybranych modeli, ale także zapewnia wgląd w ich potencjalne zastosowanie w warunkach klinicznych.

2.3.1 Konwolucyjne sieci neuronowe (CNN) wykorzystują konwolucyjne sieci neuronowe (CNN) w celu uzyskania wyjątkowych możliwości w zadaniach klasyfikacji obrazów. Sieci CNN przodują w przechwytywaniu hierarchii przestrzennych i cech obrazów poprzez kombinację warstw splotowych, warstw łączących i warstw gęstych. Warstwy splotowe: Warstwy te mają fundamentalne znaczenie dla CNN, ponieważ stosują różne filtry do obrazów wejściowych w celu wykrywania wzorców, takich jak krawędzie i tekstury i kształty. Przesuwając te filtry po obrazie, warstwy splotowe generują mapy obiektów, które reprezentują różne aspekty obrazu. Eksperymentowaliśmy z różnymi rozmiarami i liczbą filtrów, aby zoptymalizować proces ekstrakcji cech.

Łączenie warstw: Łączenie warstw, zwykle przy użyciu operacji, takich jak maksymalne łączenie lub średnie łączenie, próbkuje w dół mapy obiektów utworzone przez warstwy splotowe. Zmniejsza to wymiary przestrzenne map obiektów, zmniejszając w ten sposób obciążenie obliczeniowe i pomagając w lepszym uogólnianiu modelu poprzez skupienie się na najbardziej istotnych cechach. Zastosowaliśmy warstwy łączenia, aby skutecznie zarządzać wymiarowością i poprawić wydajność modelu.

Warstwy gęste: po operacjach splotu i łączenia gęste warstwy (w pełni połączone warstwy) używane do interpretacji cech wyodrębnionych przez warstwy splotowe. Gęste warstwy agregują funkcje wysokiego poziomu i dokonują ostatecznej klasyfikacji, mapując wyuczone reprezentacje na etykiety wyjściowe. Dostosowaliśmy liczbę gęstych warstw i ich jednostek, aby zwiększyć zdolność modelu do dokonywania dokładnych prognoz.

Ta kombinacja warstw splotowych, pulujących i gęstych pozwoliła nam zbudować solidną architekturę CNN, która skutecznie rozróżnia obrazy normalne i skoliozowe.

2.3.2 Nauka transferowa

Biorąc pod uwagę ograniczony rozmiar naszego zbioru danych, wykorzystaliśmy uczenie się transferu, aby zwiększyć wydajność modelu bez obszernych zasobów obliczeniowych. Uczenie się transferowe polega na korzystaniu z wstępnie wytrenowanych modeli opracowanych na dużych, różnorodnych zbiorach danych i dostosowywaniu ich do konkretnego zadania. kilka zaawansowanych, wstępnie wyszkolonych modeli, aby móc korzystać z ich wyuczonych funkcji:

XceptionNet: XceptionNet to architektura oparta na dogłębnie rozdzielanych splotach, która rozkłada operacje splotów na mniejsze, bardziej wydajne operacje. Ten projekt pomaga uchwycić złożone funkcje, jednocześnie zmniejszając złożoność obliczeniową. Dopracowaliśmy XceptionNet, aby dostosować jego wyuczone funkcje do naszego zadania klasyfikacji skolioz.

DenseNet201: DenseNet201 charakteryzuje się gęstym wzorcem łączności, w którym każda warstwa otrzymuje dane wejściowe ze wszystkich poprzednich warstw. Takie podejście promuje ponowne wykorzystanie funkcji i poprawia przepływ gradientu podczas treningu. DenseNet201 wykorzystano w celu wykorzystania jego silnych możliwości ekstrakcji cech i zwiększenia dokładności naszego modelu.

EfficientNetB0: EfficientNetB0 wykorzystuje złożoną metodę skalowania, która równomiernie skaluje głębokość, szerokość i rozdzielczość sieci. Model ten znany jest ze swojej równowagi pomiędzy dokładnością i wydajnością. EfficientNetB0 dostosowany do zbioru danych, aby korzystać ze zoptymalizowanej architektury i wysokiej wydajności.

InceptionV3: InceptionV3 ma złożoną architekturę z wieloma równoległymi operacjami splotowymi o różnych rozmiarach filtrów, co pozwala na przechwytywanie szerokiego zakresu funkcji. Incepcja V3 została włączona, aby wykorzystać jej solidną ekstrakcję funkcji i możliwości przetwarzania w wielu skalach.

MobileNetV2: MobileNetV2 jest przeznaczony dla urządzeń mobilnych i brzegowych, mając na uwadze wydajność i szybkość. Wykorzystuje rozłączne wgłębnie sploty, aby zmniejszyć rozmiar modelu i wymagania obliczeniowe. MobileNetV2 wykorzystano do osiągnięcia równowagi pomiędzy wydajnością modelu a dokładnością klasyfikacji.

Dzięki dostrojeniu tych wstępnie wytrenowanych modeli klasyfikatorzy mogą wykorzystać swoje zaawansowane możliwości ekstrakcji cech i dostosować je do wybranego, konkretnego zadania klasyfikacji obrazów normalnych i skoliozowych, co skutkuje lepszą wydajnością i skróceniem czasu szkolenia.