Алгоритм глубокого обучения для обнаружения травматических повреждений селезенки и последовательной локализации

Фон

Повреждение селезенки является наиболее частым солидным повреждением внутренних органов при тупой травме живота, и компьютерная томография (КТ) брюшной полости с высоким разрешением может адекватно обнаружить повреждение. Тем не менее, эти смертельные травмы иногда не учитывались в современной практике. Алгоритмы глубокого обучения доказали свою способность обнаруживать аномальные результаты на медицинских изображениях. Целью данного исследования является разработка трехмерного неконтролируемого алгоритма глубокого обучения для выявления повреждения селезенки на КТ брюшной полости с использованием подхода последовательной локализации и классификации.

Материал и методы

Мы ретроспективно собрали данные пациентов, которым была проведена КТ брюшной полости с контрастным усилением в отделении неотложной помощи Мемориальной больницы Чанг Гунг, Линко, из-за травмы и острого живота с июля 2008 года по декабрь 2017 года. Все больные были зарегистрированы в регистрах травматологии и острого живота. Была собрана демографическая информация, в том числе возраст, пол, диагноз заболевания, механизм травмы, оценка тяжести травмы, новая оценка тяжести травмы, сокращенная шкала травмы и степень повреждения селезенки. Сканирование, показывающее повреждение селезенки, было идентифицировано как положительное, а остальные сканирования были определены как отрицательный контроль. Мы идентифицировали 300 сканов венозной фазы с повреждением селезенки и случайным образом выбрали 300 дополнительных сканирований венозной фазы из отрицательного контроля. КТ с повреждениями брюшной полости, кроме повреждения селезенки, не исключались, чтобы уменьшить погрешность отбора. Все данные были разделены по возрасту, полу, наличию повреждения селезенки и степени тяжести повреждения с использованием стратифицированной выборки в наборе данных о развитии и наборе тестов в соотношении 8:2. Одна восьмая набора данных для разработки была дополнительно зарезервирована в качестве набора для проверки во время построения модели.

Предварительная обработка изображений и маркировка

Изображения КТ были получены в оригинальном формате Digital Imaging and Communications in Medicine (DICOM). Затем изображения были преобразованы в формат Neuroimaging Informatics Technology Initiative, в результате чего были созданы 3D-изображения на основе вокселей. Затем наш алгоритм был разработан на основе аксиальных срезов вен, наиболее распространенного направления визуализации при травмах брюшной полости. В процессе обучения применялось увеличение изображения за счет перемещения, поворота, масштабирования и упругих искажений для повышения обобщаемости модели.

Врач-травматолог с 10-летним стажем подтвердил все положительные и отрицательные сканы. На всех сканах селезенка с окружающим ее фоном была закрыта трехмерной ограничивающей рамкой, нарисованной вручную.

Локализация селезенки

Модель локализации была разработана на основе 3D Faster RCNN с Resnet-101 в качестве базовой структуры и обучена на наборе данных для разработки. Мы использовали кросс-энтропию, фокальную потерю в качестве потери класса и потерю L1, пересечение расстояния над объединением (DIOU) в качестве потери регрессии коробки и приняли пересечение над объединением (IOU) и DIOU в немаксимальном подавлении (NMS) для обучения алгоритм обнаружения объекта.

Идентификация и визуализация повреждения селезенки

Обрезанные 3D-изображения были использованы для разработки модели классификации повреждений селезенки. Мы изменили блочную архитектуру, чтобы улучшить интерпретируемость процесса рассуждений обученной сети. Результатом модели была вероятность повреждения селезенки.

Производительность модели оценивалась с использованием площади под кривой рабочих характеристик приемника (AUROC), точности, чувствительности, специфичности, положительного прогностического значения и отрицательного прогностического значения.