Искусственный интеллект и сколиоз

Хотя внимание к искусственному интеллекту, связанному со здравоохранением, растет, достигнут значительный прогресс в переводе или внедрении этих технологий для клинического использования. Поэтому, проводя наши исследования, мы откроем новую область исследований для интеграции искусственного интеллекта (ИИ) в инструменты медицинской оценки и область физиотерапии. Это сэкономит физиотерапевтам время и усилия для разработки правильных оценок и проведения планов лечения, принесет пользу пациентам и стране в целом за счет снижения финансового бремени, связанного с проведением точных оценок и ведения этих случаев, а также обеспечит четкие, объективные оценки для большинства заболеваний позвоночника. сколиозные деформации, а также соответствующую персонализацию планов лечения.

Боевые действия и методы

1. Экспериментальные единоборства В этом разделе представлены результаты исследования с подробным описанием использованных методологий и полученных результатов. Анализ начинается с обзора используемого набора данных, за которым следуют этапы предварительной обработки, предпринимаемые для обеспечения качества данных и их пригодности для обучения модели. затем углубитесь в различные подходы и модели, выбранные для этого исследования, включая как специальные сверточные нейронные сети (CNN), так и предварительно обученные модели, используемые посредством трансферного обучения. Каждая модель оценивается на основе ее производительности, а также обсуждается экспериментальная установка и показатели оценки, используемые для измерения эффективности. Наконец, представляем экспериментальные результаты, обеспечивающие всесторонний анализ точности модели, точности, полноты и других соответствующих показателей.

   2.1 Сбор данных Данные испытуемых были разделены на 2 группы. Общая рентгенограмма позвоночника в группе (А) состояла из 664 изображений, а в группе (В) у пациентов со сколиотической болезнью — из 4307 изображений. Все рентгеновские снимки позвоночника, использованные в этом исследовании, были ретроспективно собраны из различных источников, включая наборы данных BUU, Kaggle, Mendeley Data, Huggingface, Dropbox и Roboflow, что обеспечивает разнообразную и полную коллекцию изображений, связанных со сколиозом. Пациентам со сколиозом были (1) диагностированы сколиозы различной этиологии, (2) проведена четкая рентгенография позвоночника при всех искривлениях позвоночника, в том числе; шейный, грудной и поясничный. (3) С-образный и двойной С-образный сколиоз. (4) легкая, средняя и тяжелая степени сколиоза. (5) Подростки со средним возрастом 17 лет (6) Оба пола (мужской и женский).

2. Целевая методология 2.1. Увеличение данных. Чтобы решить проблему ограниченности данных, мы использовали увеличение данных, чтобы искусственно расширить наш набор данных. Этот метод предполагает создание новых обучающих выборок путем применения различных преобразований к существующим изображениям, таких как переворот, масштабирование и вращение. Эти дополнения не только увеличивают размер набора данных, но также играют решающую роль в повышении способности модели к обобщению, подвергая ее более широкому разнообразию вариантов изображений. Имитируя различные условия просмотра и искажения, увеличение данных помогает модели стать более устойчивой к изменениям ориентации изображения, масштаба и другим вариациям, с которыми она может столкнуться в реальных сценариях. Этот процесс особенно важен при анализе медицинских изображений, где получение больших и разнообразных наборов данных может быть сложной задачей. Увеличение данных гарантирует, что модель не будет соответствовать ограниченному исходному набору данных, а вместо этого научится распознавать основные закономерности, указывающие на сколиоз, что в конечном итоге повышает ее производительность и надежность.

Исходные изображения Перевернутое изображение Повернутое изображение Масштабированное изображение

. Примеры методов увеличения данных Прикладные изображения 2.2 Предварительная обработка Эффективная предварительная обработка является важным шагом в подготовке нашего набора данных для обучения модели, поскольку она повышает качество и согласованность изображений, делая их более подходящими для анализа. Одним из ключевых методов было использование выравнивания гистограмм, что особенно важно в медицинской визуализации, где незначительные изменения интенсивности пикселей могут существенно повлиять на точность классификации. Выравнивание гистограммы улучшает контрастность изображений за счет перераспределения значений их интенсивности, обеспечивая более равномерное распределение гистограммы или распределения интенсивностей пикселей. Этот процесс улучшает важные функции изображений, делая их более информативными и облегчающими интерпретацию модели.

2.3 Подходы и выбор модели В этом исследовании изучаются различные модели машинного и глубокого обучения для решения сложной задачи классификации нормальных изображений и изображений сколиоза. Подход к исследованию был тщательно разработан, чтобы найти оптимальный баланс между достижением высокой точности классификации и поддержанием эффективности вычислений, что имеет решающее значение для реальных медицинских приложений. Тщательный отбор ряда моделей, каждая из которых обладает уникальными преимуществами в обработке данных изображений, и их настройка для максимизации производительности на вставленном наборе данных. В следующих параграфах представлен всесторонний обзор используемых моделей, обоснование их выбора, их конкретные конфигурации, а также подробный анализ результатов, полученных в экспериментах. Это тщательное исследование не только подчеркивает эффективность выбранных моделей, но и дает представление об их потенциальной применимости в клинических условиях.

2.3.1 Сверточные нейронные сети (CNN) использовали сверточные нейронные сети (CNN) для исключительных возможностей в задачах классификации изображений. CNN превосходно фиксируют пространственные иерархии и функции в изображениях благодаря сочетанию сверточных слоев, слоев объединения и плотных слоев. Сверточные слои: эти слои имеют фундаментальное значение для CNN, поскольку они применяют различные фильтры к входным изображениям для обнаружения шаблонов, таких как края, текстуры. и формы. Перемещая эти фильтры по изображению, сверточные слои создают карты объектов, которые представляют различные аспекты изображения. Мы экспериментировали с фильтрами различных размеров и количеством, чтобы оптимизировать процесс извлечения признаков.

Слои объединения. Слои объединения, обычно с использованием таких операций, как максимальное объединение или среднее объединение, уменьшают выборку карт объектов, созданных сверточными слоями. Это уменьшает пространственные размеры карт объектов, тем самым уменьшая вычислительную нагрузку и помогая лучше обобщать модель, сосредоточив внимание на наиболее важных функциях. Мы использовали слои объединения, чтобы эффективно управлять размерностью и повысить эффективность модели.

Плотные слои: после операций свертки и объединения плотные слои (полностью связанные слои) используются для интерпретации функций, извлеченных сверточными слоями. Плотные слои объединяют объекты высокого уровня и выполняют окончательную классификацию, сопоставляя изученные представления с выходными метками. Мы настроили количество плотных слоев и их единиц, чтобы повысить способность модели делать точные прогнозы.

Эта комбинация сверточных, объединяющих и плотных слоев позволила нам построить надежную архитектуру CNN, которая эффективно различает нормальные изображения и изображения сколиоза.

2.3.2 Перенос обучения

Учитывая ограниченный размер нашего набора данных, мы использовали трансферное обучение, чтобы повысить производительность модели без использования обширных вычислительных ресурсов. Трансферное обучение предполагает использование предварительно обученных моделей, разработанных на больших и разнообразных наборах данных, и адаптацию их к нашей конкретной задаче. несколько продвинутых предварительно обученных моделей, позволяющих извлечь выгоду из изученных ими функций:

XceptionNet: XceptionNet — это архитектура, основанная на разделимых по глубине свертках, которая разлагает операции свертки на более мелкие и более эффективные операции. Такая конструкция помогает улавливать сложные функции, одновременно снижая сложность вычислений. Мы настроили XceptionNet, чтобы адаптировать его изученные функции для нашей задачи классификации сколиоза.

DenseNet201: DenseNet201 характеризуется плотным шаблоном подключения, где каждый уровень получает входные данные от всех предыдущих уровней. Этот подход способствует повторному использованию функций и улучшает градиентный поток во время обучения. DenseNet201 использовался для использования его мощных возможностей извлечения признаков и повышения точности нашей модели.

EfficientNetB0: EfficientNetB0 использует метод составного масштабирования, который равномерно масштабирует глубину, ширину и разрешение сети. Эта модель известна своим балансом между точностью и эффективностью. EfficientNetB0 адаптирован к набору данных, чтобы воспользоваться преимуществами оптимизированной архитектуры и высокой производительности.

InceptionV3: InceptionV3 имеет сложную архитектуру с множеством параллельных сверточных операций с фильтрами разных размеров, что позволяет ему захватывать широкий спектр функций. InceptionV3 включен, чтобы воспользоваться преимуществами его надежного извлечения функций и возможностей многомасштабной обработки.

MobileNetV2: MobileNetV2 разработан для мобильных и периферийных устройств с учетом эффективности и скорости. Он использует отделимые по глубине свертки для уменьшения размера модели и вычислительных требований. MobileNetV2 используется для достижения баланса между эффективностью модели и точностью классификации.

Благодаря точной настройке этих предварительно обученных моделей классификаторы могут использовать свои расширенные возможности извлечения признаков и адаптировать их к выбранной конкретной задаче по классификации нормальных изображений и изображений сколиоза, что приводит к повышению производительности и сокращению времени обучения.