Artificiell intelligens och skolios

Även om uppmärksamheten inom AI relaterad till sjukvård ökar, har det gjorts stora framsteg när det gäller att översätta eller implementera dessa teknologier för klinisk användning. Därför kommer vi, när vi bedriver vår forskning, att öppna ett nytt studieområde för integrering av artificiell intelligens (AI) i medicinska bedömningsverktyg och fysioterapiområdet. Detta kommer att spara tid och ansträngning för sjukgymnaster för att utveckla korrekta utvärderingar och genomförande av behandlingsplaner, gynna patienter och landet överlag genom att minska den ekonomiska bördan som är förknippad med att göra korrekta utvärderingar och hantering av dessa fall, och tillhandahålla tydliga, objektiva utvärderingar för majoriteten av ryggraden. skoliosdeformiteter samt lämplig personalisering för behandlingsplaner.

Kamp och metoder

1. Experimentkamper Det här avsnittet presenterar resultaten av forskningen, och beskriver de metoder som används och de erhållna resultaten. Analysen börjar med en översikt över datauppsättningen som används, följt av de förbearbetningssteg som genomförs för att säkerställa datakvalitet och lämplighet för modellträning. fördjupa dig sedan i de olika tillvägagångssätten och modellerna som valts ut för denna studie, inklusive både anpassade Convolutional Neural Networks (CNN) och förtränade modeller som används genom överföringsinlärning. Varje modell utvärderas baserat på dess prestanda, och diskutera experimentell uppställning och utvärderingsmått som används för att mäta effektivitet. Slutligen presenterar de experimentella resultaten, ger en omfattande analys av modellens noggrannhet, precision, återkallelse och andra relevanta mätvärden.

   2.1 Datainsamling Data från försökspersonerna delades upp i 2 grupper. Grupp (A) normal ryggrad total röntgen bestod av 664 bilder och grupp (B) röntgen av skoliotiska patienter bestod av 4307 bilder. All ryggradsröntgen inblandad i denna studie sammanställdes retrospektivt från många källor, inklusive BUU Dataset, Kaggle, Mendeley Data, Huggingface, Dropbox och Roboflow, vilket säkerställer en mångsidig och omfattande samling av skoliosrelaterade bilder. Patienter med skolios diagnostiserades (1) med skolios för olika etiologi, (2) klar röntgen för ryggraden för alla ryggradskurvaturer inklusive; cervikal, bröstkorg och virke. (3) C-formad och dubbel C-formig skolios. (4) milda, måttliga och svåra skoliotiska grader. (5) Ungdomar med medelåldern 17(6) Både kön (man och kvinna).

2. Målmetod 2.1 Dataökning För att lösa problemet med begränsad data använde vi dataförstärkning för att på konstgjord väg utöka vår datauppsättning. Den här tekniken innebär att man genererar nya träningsprov genom att tillämpa olika transformationer på de befintliga bilderna, såsom vändning, skalning och rotering. Dessa förstärkningar ökar inte bara datauppsättningsstorleken utan spelar också en avgörande roll för att förbättra modellens förmåga att generalisera genom att exponera den för ett större antal bildvariationer. Genom att simulera olika visningsförhållanden och förvrängningar hjälper dataförstärkning modellen att bli mer robust mot förändringar i bildorientering, skala och andra variationer som den kan stöta på i verkliga scenarier. Denna process är särskilt viktig i medicinsk bildanalys, där det kan vara en utmaning att skaffa stora, olika datauppsättningar. Dataförstärkning säkerställer att modellen inte överanpassar den begränsade ursprungliga datamängden och istället lär sig att känna igen de underliggande mönstren som tyder på skolios, vilket i slutändan förbättrar dess prestanda och tillförlitlighet.

Originalbilder Vänd bild Roterad bild Skalad bild

. Exempel på dataökningstekniker tillämpade bilder 2.2 Förbearbetning Effektiv förbearbetning är ett kritiskt steg i att förbereda vår datauppsättning för modellträning, eftersom det förbättrar bildernas kvalitet och konsistens, vilket gör dem mer lämpade för analys. En av nyckelteknikerna var att använda histogramutjämning, vilket är särskilt viktigt vid medicinsk bildbehandling där subtila variationer i pixelintensitet avsevärt kan påverka klassificeringens noggrannhet. Histogramutjämning förbättrar bildernas kontrast genom att omfördela deras intensitetsvärden, vilket säkerställer att histogrammet - eller fördelningen av pixelintensiteter - är jämnare utspridd. Denna process förbättrar viktiga funktioner i bilderna, vilket gör dem mer informativa och lättare för modellen att tolka.

2.3 Tillvägagångssätt och modellval Denna studie undersöker olika modeller för maskininlärning och djupinlärning för att ta itu med den komplexa uppgiften att klassificera normala och skoliosbilder. Forskningsmetoden var noggrant utformad för att hitta en optimal balans mellan att uppnå hög klassificeringsnoggrannhet och bibehålla beräkningseffektivitet, vilket är avgörande för verkliga medicinska tillämpningar. Ett noggrant urval för olika modeller, som var och en erbjuder unika styrkor i hanteringen av bilddata, och konfigurerade dem för att maximera deras prestanda på den infogade datamängden. Följande stycken ger en omfattande översikt över de använda modellerna, logiken bakom valet, deras specifika konfigurationer och en detaljerad analys av resultaten från experimenten. Denna grundliga undersökning belyser inte bara effektiviteten hos de valda modellerna utan ger också insikter om deras potentiella tillämpbarhet i kliniska miljöer.

2.3.1 Convolutional Neural Networks (CNN) använde Convolutional Neural Networks (CNN) för exceptionell förmåga i bildklassificeringsuppgifter. CNN:er utmärker sig när det gäller att fånga rumsliga hierarkier och funktioner i bilder genom en kombination av faltningsskikt, poolskikt och täta skikt Konvolutionsskikt: Dessa skikt är grundläggande för CNN:er, eftersom de tillämpar olika filter på ingångsbilderna för att upptäcka mönster som kanter, texturer , och former. Genom att skjuta dessa filter över bilden genererar faltningslager funktionskartor som representerar olika aspekter av bilden. Vi experimenterade med olika filterstorlekar och antal filter för att optimera funktionsextraktionsprocessen.

Poolning av lager: Pooling av lager, vanligtvis med användning av operationer som max pooling eller genomsnittlig pooling, samplar ned de funktionskartor som produceras av faltningslager. Detta minskar de rumsliga dimensionerna av funktionskartorna, vilket minskar beräkningsbelastningen och hjälper modellen att generalisera bättre genom att fokusera på de mest framträdande egenskaperna. Vi använde poollager för att effektivt hantera dimensionaliteten och förbättra modellens effektivitet.

Täta lager: Efter faltnings- och poolningsoperationerna användes täta skikt (helt anslutna skikt) för att tolka egenskaperna som extraheras av faltningsskikten. Täta lager samlar funktionerna på hög nivå och utför den slutliga klassificeringen genom att mappa de inlärda representationerna till utdataetiketterna. Vi justerade antalet täta lager och deras enheter för att förbättra modellens förmåga att göra exakta förutsägelser.

Denna kombination av konvolutionerande, poolande och täta lager gjorde det möjligt för oss att bygga en robust CNN-arkitektur som effektivt skiljer mellan normala och skoliosbilder.

2.3.2 Överför lärande

Med tanke på den begränsade storleken på vår datauppsättning utnyttjade vi överföringsinlärning för att förbättra modellens prestanda utan omfattande beräkningsresurser. Överföringslärande innebär att använda förtränade modeller utvecklade på stora, olika datauppsättningar och anpassa dem till vår specifika uppgift. flera avancerade förtränade modeller för att dra nytta av deras inlärda funktioner:

XceptionNet: XceptionNet är en arkitektur baserad på djupgående separerbara faltningar, som bryter ned faltningsoperationer till mindre, mer effektiva operationer. Denna design hjälper till att fånga komplexa funktioner samtidigt som den minskar beräkningskomplexiteten. Vi finjusterade XceptionNet för att anpassa dess inlärda funktioner för vår skoliosklassificeringsuppgift.

DenseNet201: DenseNet201 kännetecknas av sitt täta anslutningsmönster, där varje lager tar emot input från alla föregående lager. Detta tillvägagångssätt främjar återanvändning av funktioner och förbättrar gradientflöde under träning. DenseNet201 används för att dra nytta av dess starka funktionsextraktionsförmåga och förbättra vår modellnoggrannhet.

EfficientNetB0: EfficientNetB0 använder en sammansatt skalningsmetod som enhetligt skalar nätverkets djup, bredd och upplösning. Denna modell är känd för sin balans mellan noggrannhet och effektivitet. EfficientNetB0 anpassat till datasetet för att dra nytta av dess optimerade arkitektur och höga prestanda.

InceptionV3: InceptionV3 har en komplex arkitektur med flera parallella faltningsoperationer av varierande filterstorlekar, vilket gör att den kan fånga ett brett utbud av funktioner. InceptionV3 införlivades för att dra fördel av dess robusta funktionsextraktion och multi-skala bearbetningsförmåga.

MobileNetV2: MobileNetV2 är designad för mobila och avancerade enheter med effektivitet och hastighet i åtanke. Den använder djupgående separerbara faltningar för att minska modellstorlek och beräkningskrav. MobileNetV2 används för att uppnå en balans mellan modelleffektivitet och klassificeringsnoggrannhet.

Genom att finjustera dessa förtränade modeller gör klassificerarna möjlighet att utnyttja sina avancerade funktioner för extraktion och anpassa dem till utvalda specifika uppgifter att klassificera normala och skoliosbilder, vilket resulterar i förbättrad prestanda och minskad träningstid.