Algoritmo de aprendizado profundo para detecção de lesão esplênica traumática e localização sequencial

Fundo

A lesão esplênica é a lesão visceral sólida mais comum no trauma abdominal contuso, e a tomografia computadorizada (TC) abdominal de alta resolução pode detectar adequadamente a lesão. No entanto, essas lesões letais em algum momento foram negligenciadas na prática atual. Algoritmos de aprendizado profundo provaram suas capacidades na detecção de achados anormais em imagens médicas. O objetivo deste estudo é desenvolver um algoritmo de aprendizado profundo não supervisionado tridimensional para detectar lesão esplênica na TC abdominal usando uma abordagem sequencial de localização e classificação.

Material e métodos

Coletamos dados retrospectivamente de pacientes submetidos a TC abdominal com contraste no departamento de emergência do Chang Gung Memorial Hospital, Linko, devido a trauma e abdome agudo de julho de 2008 a dezembro de 2017. Todos os pacientes foram registrados nos registros de trauma e abdome agudo. Informações demográficas, incluindo idade, sexo, diagnóstico da doença, mecanismo de trauma, pontuação de gravidade da lesão, nova pontuação de gravidade da lesão, escala de lesão abreviada e grau de lesão no baço foram coletadas. As varreduras mostrando lesão esplênica foram identificadas como positivas e as varreduras restantes foram definidas como controles negativos. Identificamos 300 varreduras de fase venosa com lesão esplênica e selecionamos aleatoriamente 300 varreduras de fase venosa adicionais dos controles negativos. Tomografias computadorizadas com lesões de trauma abdominal que não sejam lesões esplênicas não foram excluídas para reduzir o viés de seleção. Todos os dados foram divididos por idade, sexo, presença de lesão esplênica e pontuação de gravidade da lesão usando amostragem estratificada no conjunto de dados de desenvolvimento e o conjunto de teste em uma proporção de 8:2. Um oitavo do conjunto de dados de desenvolvimento foi ainda reservado como o conjunto de validação durante a construção do modelo.

Pré-processamento e rotulagem de imagens

As imagens de tomografia computadorizada foram adquiridas no formato original Digital Imaging and Communications in Medicine (DICOM). As imagens foram então convertidas para o formato Neuroimaging Informatics Technology Initiative, produzindo imagens 3D baseadas em voxels. Nosso algoritmo foi então desenvolvido com base nos cortes axiais venosos, a direção de imagem mais comum em pesquisas de trauma abdominal. Durante o processo de treinamento, o aumento da imagem por translação, rotação, dimensionamento e distorções elásticas foi aplicado para aumentar a generalização do modelo.

Um cirurgião de trauma com 10 anos de experiência confirmou todos os exames positivos e negativos. Em todas as varreduras, o baço com seu fundo ao redor foi coberto com uma caixa delimitadora 3D desenhada manualmente.

localização do baço

O modelo de localização foi projetado com base em 3D Faster RCNN com Resnet-101 como estrutura principal e treinado no conjunto de dados de desenvolvimento. Usamos entropia cruzada, perda focal como perda de classe e perda L1, interseção de distância sobre união (DIOU) como perda de regressão de caixa e adotamos interseção sobre união (IOU) e DIOU em supressão não máxima (NMS) para treinamento de o algoritmo de detecção de objetos.

Identificação e visualização de lesões esplênicas

As imagens 3D cortadas foram usadas para desenvolver o modelo de classificação da lesão esplênica. Modificamos a arquitetura de blocos para melhorar a interpretabilidade do processo de raciocínio da rede aprendida. A saída do modelo foi a probabilidade de lesão esplênica.

O desempenho do modelo foi avaliado usando a área sob a curva característica de operação do receptor (AUROC), precisão, sensibilidade, especificidade, valor preditivo positivo e valor preditivo negativo.