Inteligência Artificial e Escoliose

Embora a atenção à IA relacionada com os cuidados de saúde esteja a aumentar, tem havido muito progresso na tradução ou implementação destas tecnologias para utilização clínica. Portanto, à medida que conduzimos a nossa investigação, abriremos um novo campo de estudo para a integração da inteligência artificial (IA) em ferramentas de avaliação médica e na área da fisioterapia. Isto poupará tempo e esforço dos fisioterapeutas para o desenvolvimento de avaliações adequadas e condução de planos de tratamento, beneficiará os pacientes e o país em geral, reduzindo a carga financeira associada à realização de avaliações e gestão precisas para estes casos, e fornecerá avaliações claras e objetivas para a maioria dos problemas da coluna vertebral. deformidades de escoliose, bem como personalização adequada para planos de tratamento.

Marcial e Métodos

1. Experimentos marciais Esta seção apresenta os resultados da pesquisa, detalhando as metodologias empregadas e os resultados obtidos. A análise começa com uma visão geral do conjunto de dados utilizado, seguida pelas etapas de pré-processamento realizadas para garantir a qualidade dos dados e a adequação para o treinamento do modelo. em seguida, aprofunde-se nas várias abordagens e modelos selecionados para este estudo, incluindo redes neurais convolucionais (CNNs) personalizadas e modelos pré-treinados utilizados por meio de aprendizagem por transferência. Cada modelo é avaliado com base em seu desempenho e discute a configuração experimental e as métricas de avaliação usadas para medir a eficácia. Por fim, apresentando os resultados experimentais, fornecendo uma análise abrangente da exatidão, precisão, recall e outras métricas relevantes do modelo.

   2.1 Coleta de dados Os dados dos sujeitos foram divididos em 2 grupos. A radiografia total da coluna normal do grupo (A) consistiu em 664 imagens e a radiografia de pacientes escolióticos do grupo (B) consistiu em 4.307 imagens. Todas as radiografias da coluna vertebral envolvidas neste estudo foram compiladas retrospectivamente de diversas fontes, incluindo BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox e Roboflow, garantindo uma coleção diversificada e abrangente de imagens relacionadas à escoliose. Pacientes com escoliose foram (1) diagnosticados com escoliose por diferentes etiologias, (2) Raios-X claros para coluna vertebral para todas as curvaturas espinhais, incluindo; cervical, torácica e lombar. (3) Escoliose em forma de C e duplo C. (4) graus escolióticos leves, moderados e graves. (5) Adolescentes com idade média de 17 anos(6) Ambos os sexos (masculino e feminino).

2. Metodologia proposta 2.1 Aumento de dados Para resolver o problema de dados limitados, empregamos o aumento de dados para expandir artificialmente nosso conjunto de dados. Esta técnica envolve a geração de novas amostras de treinamento aplicando várias transformações às imagens existentes, como inversão, dimensionamento e rotação. Esses aumentos não apenas aumentam o tamanho do conjunto de dados, mas também desempenham um papel crucial no aprimoramento da capacidade de generalização do modelo, expondo-o a uma variedade maior de variações de imagem. Ao simular diferentes condições de visualização e distorções, o aumento de dados ajuda o modelo a se tornar mais robusto às mudanças na orientação, escala e outras variações da imagem que ele pode encontrar em cenários do mundo real. Este processo é particularmente importante na análise de imagens médicas, onde a aquisição de conjuntos de dados grandes e diversos pode ser um desafio. O aumento de dados garante que o modelo não se ajuste excessivamente ao conjunto de dados original limitado e, em vez disso, aprenda a reconhecer os padrões subjacentes que são indicativos de escoliose, melhorando, em última análise, o seu desempenho e fiabilidade.

Imagens originais Imagem invertida Imagem girada Imagem em escala

. Exemplos de técnicas de aumento de dados Imagens aplicadas 2.2 Pré-processamento O pré-processamento eficaz é uma etapa crítica na preparação de nosso conjunto de dados para treinamento de modelo, pois melhora a qualidade e a consistência das imagens, tornando-as mais adequadas para análise. Uma das principais técnicas empregadas foi a equalização do histograma, que é particularmente importante em imagens médicas, onde variações sutis na intensidade dos pixels podem impactar significativamente a precisão da classificação. A equalização do histograma melhora o contraste das imagens redistribuindo seus valores de intensidade, garantindo que o histograma – ou distribuição de intensidades de pixel – seja distribuído de maneira mais uniforme. Esse processo aprimora características importantes das imagens, tornando-as mais informativas e de fácil interpretação para o modelo.

2.3 Abordagens e seleção de modelos Este estudo investiga vários modelos de aprendizado de máquina e aprendizado profundo para enfrentar a complexa tarefa de classificar imagens normais e de escoliose. A abordagem de pesquisa foi meticulosamente projetada para atingir um equilíbrio ideal entre alcançar alta precisão de classificação e manter a eficiência computacional, o que é crucial para aplicações médicas do mundo real. Uma seleção cuidadosa de uma variedade de modelos, cada um oferecendo pontos fortes exclusivos no tratamento de dados de imagem, e configurados para maximizar seu desempenho no conjunto de dados inserido. Os parágrafos seguintes fornecem uma visão abrangente dos modelos empregados, a lógica por trás de sua seleção, suas configurações específicas e uma análise detalhada dos resultados obtidos nos experimentos. Este exame minucioso não só destaca a eficácia dos modelos escolhidos, mas também oferece insights sobre a sua potencial aplicabilidade em ambientes clínicos.

2.3.1 Redes Neurais Convolucionais (CNNs) utilizaram Redes Neurais Convolucionais (CNNs) para capacidade excepcional em tarefas de classificação de imagens. As CNNs são excelentes na captura de hierarquias espaciais e recursos em imagens por meio de uma combinação de camadas convolucionais, camadas de pooling e camadas densas. Camadas Convolucionais: essas camadas são fundamentais para as CNNs, pois aplicam vários filtros às imagens de entrada para detectar padrões como bordas, texturas e formas. Ao deslizar esses filtros pela imagem, as camadas convolucionais geram mapas de características que representam diferentes aspectos da imagem. Experimentamos vários tamanhos e números de filtros para otimizar o processo de extração de recursos.

Camadas de pooling: camadas de pooling, normalmente usando operações como pooling máximo ou pooling médio, reduzem a amostragem dos mapas de recursos produzidos por camadas convolucionais. Isso reduz as dimensões espaciais dos mapas de características, diminuindo assim a carga computacional e ajudando o modelo a generalizar melhor, concentrando-se nas características mais salientes. Empregamos camadas de pool para gerenciar com eficácia a dimensionalidade e melhorar a eficiência do modelo.

Camadas Densas: Após as operações convolucionais e de pooling, camadas densas (camadas totalmente conectadas) são usadas para interpretar os recursos extraídos pelas camadas convolucionais. Camadas densas agregam os recursos de alto nível e realizam a classificação final mapeando as representações aprendidas para os rótulos de saída. Ajustamos o número de camadas densas e suas unidades para aprimorar a capacidade do modelo de fazer previsões precisas.

Essa combinação de camadas convolucionais, agrupadas e densas nos permitiu construir uma arquitetura CNN robusta que distingue efetivamente entre imagens normais e de escoliose.

2.3.2 Transferência de aprendizagem

Dado o tamanho limitado do nosso conjunto de dados, aproveitamos a aprendizagem por transferência para melhorar o desempenho do modelo sem recursos computacionais extensos. A aprendizagem por transferência envolve o uso de modelos pré-treinados – desenvolvidos em conjuntos de dados grandes e diversos – e sua adaptação à nossa tarefa específica. vários modelos avançados pré-treinados para se beneficiar de seus recursos aprendidos:

XceptionNet: XceptionNet é uma arquitetura baseada em convoluções separáveis ​​em profundidade, que decompõe as operações de convolução em operações menores e mais eficientes. Esse design ajuda a capturar recursos complexos enquanto reduz a complexidade computacional. Ajustamos o XceptionNet para adaptar seus recursos aprendidos para nossa tarefa de classificação de escoliose.

DenseNet201: DenseNet201 é caracterizado por seu padrão de conectividade denso, onde cada camada recebe entrada de todas as camadas anteriores. Essa abordagem promove a reutilização de recursos e melhora o fluxo gradiente durante o treinamento. DenseNet201 utilizado para aproveitar seus fortes recursos de extração de recursos e aumentar a precisão do nosso modelo.

EfficientNetB0: EfficientNetB0 emprega um método de escalonamento composto que dimensiona uniformemente a profundidade, largura e resolução da rede. Este modelo é conhecido por seu equilíbrio entre precisão e eficiência. EfficientNetB0 adaptou-se ao conjunto de dados para se beneficiar de sua arquitetura otimizada e alto desempenho.

InceptionV3: InceptionV3 apresenta uma arquitetura complexa com múltiplas operações convolucionais paralelas de diversos tamanhos de filtro, permitindo capturar uma ampla gama de recursos. O InceptionV3 foi incorporado para aproveitar suas vantagens robustas de extração de recursos e capacidades de processamento em várias escalas.

MobileNetV2: MobileNetV2 foi projetado para dispositivos móveis e de ponta com eficiência e velocidade em mente. Ele usa convoluções separáveis ​​em profundidade para reduzir o tamanho do modelo e os requisitos computacionais. MobileNetV2 usado para alcançar um equilíbrio entre eficiência do modelo e precisão de classificação.

Ao ajustar esses modelos pré-treinados, os classificadores são capazes de aproveitar seus recursos avançados de extração de recursos e adaptá-los à tarefa específica selecionada de classificação de imagens normais e de escoliose, resultando em melhor desempenho e redução do tempo de treinamento.