Novi Fuzzy DBNet za segmentaciju medicinske slike, 2. dio

3.4. Segmentacija slika pilula

Fuzzy DBNet se dobro pokazao među skupovima podataka o tabletama. Da bismo dalje potvrdili generalizaciju modela, takođe smo sproveli eksperimente na skupu podataka pluća. Slika 8 prikazuje gubitak validacije.

Cistanche može djelovati kao sredstvo protiv umora i poboljšanja izdržljivosti, a eksperimentalne studije su pokazale da dekocija Cistanche tubulosa može učinkovito zaštititi hepatocite jetre i endotelne stanice oštećene kod miševa koji plivaju s teretom, pojačati ekspresiju NOS3 i promovirati glikogen u jetri. sintezu, čime se postiže efikasnost protiv umora. Ekstrakt Cistanche tubulosa bogat feniletanoidnim glikozidima može značajno smanjiti serumsku kreatin kinazu, laktat dehidrogenazu i nivoe laktata i povećati nivo hemoglobina (HB) i glukoze kod ICR miševa, a to bi moglo igrati ulogu protiv umora smanjujući oštećenje mišića i odgađanje obogaćivanja mliječne kiseline za skladištenje energije kod miševa. Tablete Compound Cistanche Tubulosa značajno su produžile vrijeme plivanja za nošenje težine, povećale rezervu glikogena u jetri i smanjile nivo uree u serumu nakon vježbanja kod miševa, pokazujući svoj efekat protiv umora. Uvarak od cistanchisa može poboljšati izdržljivost i ubrzati otklanjanje umora kod miševa koji vježbaju, a može smanjiti i povišenje serumske kreatin kinaze nakon opterećenja i održati ultrastrukturu skeletnih mišića miševa normalnom nakon vježbanja, što ukazuje da ima efekte za jačanje fizičke snage i protiv umora. Cistanchis je također značajno produžio vrijeme preživljavanja miševa otrovanih nitritima i poboljšao toleranciju na hipoksiju i umor.

Na skupu podataka o tabletama odabrali smo grupu slika za testiranje modela. Ovaj set je sadržavao šest slika: neobrađene slike od vrha do dna i odozdo prema gore i odgovarajuće slike temeljne istine i segmentirane rezultate. Ove slike su prikazane na slici 9.

Da bismo procijenili performanse našeg predloženog modela, uporedili smo izlaz Fuzzy DBNet-a i njegovu osnovnu istinitost na skupu podataka za testiranje koristeći prosječni Dice koeficijent, mIoU i tačnost u pikselima. Rezultati su prikazani u tabeli 3.

Odabrali smo dva skupa slika iz rezultata segmentacije skupa podataka testa tableta kao primjere. Na slici 10, performanse segmentacije BtrflyNeta bile su inferiorne. S druge strane, kada je DoubleU-Net prepoznao tablete bez teksta, bio je sklon greškama u klasifikaciji. Slika 11 prikazuje test slučajeve sa namjerno pogrešnim unosima slike, gdje su slike tableta snimljene pod različitim uglovima umjesto prednjeg i stražnjeg pogleda. Ovo je dovelo ne samo do loše performanse klasifikacije DoubleU-Neta, već i do smanjenja tačnosti klasifikacije za naš model i BtrflyNet jer su na njih uticale pogrešno postavljene karakteristike lijeka.

4. Diskusija

Uporedili smo performanse naše predložene metode sa BtrflyNet-om na skupovima podataka o pilulama i plućima i pokazali da je naš pristup postigao bolje rezultate segmentacije.

Pozivajući se na slike 6, 7 i 10, može se primijetiti da je naš model obučen integracijom dvostranih slika. Naš model je postigao potpuniju segmentaciju i imao je veću tačnost klasifikacije u odnosu na druge modele. Suprotno tome, naš model je također imao ograničenja. Na primjer, kao što je prikazano na slici 11, nedostajale su mu prednosti u nedvostranim slikama ili obostranim slikama sa neusklađenim pozicijama i bio je sklon pogrešnoj klasifikaciji segmentiranih objekata. Iz ova dva slučaja se zaključilo da je model kombinovao važne karakteristike sa obe strane ulaznih slika tokom treninga. Stoga, dvije ulazne slike istog ciljnog objekta treba da se preklapaju što je više moguće kako bi se u potpunosti iskoristile prednosti našeg modela.

Kliknite na iscrpljeno

【Za više informacija:george.deng@wecistanche.com / WhatsApp:8613632399501】

U skupu podataka rendgenskih snimaka pluća, naš model je nadmašio BtrflyNet u preciznosti segmentacije. Zbog ugradnje nejasnog ASPP-a i upotrebe dvostranih slika kao ulaza, naš model je proizveo potpunije segmentacije pluća čak i za zamućene slike, u poređenju sa DoubleU-Net-om.

U skupu podataka o tabletama, naš model je nadmašio i BtrflyNet i DoubleU-Net u preciznosti segmentacije i preciznosti klasifikacije, posebno kada je bio prisutan tekst na poleđini tableta. Koristeći karakteristike sa stražnjih slika, naš predloženi metod postigao je tačnu klasifikaciju.

Nakon konsultacija sa medicinskim centrima, saznali smo da mnoga patološka stanja zahtijevaju informacije sa obostranog medicinskog snimanja za tačnu dijagnozu. Na primjer, liječnici obično koriste AP i PA poglede iz radionuklidnog skeniranja kostiju za dijagnozu metastatskih lezija, kao i slike iz različitih perspektiva u rendgenskim podacima koljena za dijagnozu artritisa. Istovremeno, na osnovu prethodno navedene analize, može se zaključiti da bi naš model mogao postići superiorne rezultate kada se primjenjuje na skupove podataka koji sadrže ovu vrstu dvostranog snimanja.

Sveukupno, kao što je prikazano u Tabeli 4, naš predloženi metod postigao je veći mIoU rezultat, koeficijent kockice i tačnost u pikselima u poređenju sa BtrflyNet i DoubleU-Net. Ovi rezultati su pokazali da je naš predloženi metod poboljšao tačnost segmentacije slike sa dvostranih slika.

5. Zaključci

U ovom radu predložili smo Fuzzy DBNet, koji uzima dvije ulazne slike kako bi riješio problem da je jedna strana objekta mutna ili nepotpuna. Naš predloženi model postigao je tačnost piksela od 92,8% na skupu podataka o lijeku, što je bilo 10,4% preciznije od Double U-Net-a i 6,9% u poređenju sa BtryflyNet-om, efikasno rješavajući problem nedosljednog teksta na obje strane lijeka koji ne može biti precizno klasifikovan na osnovu jedne slike. Na skupu podataka rendgenskog snimka grudnog koša, tačnost u pikselima dostigla je 96,9%, što je bilo 2,8 odnosno 7,2% preciznije nego za Double U-Net i BtryflyNet, respektivno. Ovo je poboljšalo problem zatamnjenih ili šumnih područja u segmentaciji slike.

Budući rad se uglavnom sastoji iz dva dijela. Prvo, cilj nam je primijeniti naš model na prepoznavanje različitih lezija bolesti koje zahtijevaju dvostrane medicinske slike, kao što su metastaze u kostima i koljena. Nakon toga, planiramo razviti mrežnu arhitekturu koja može integrirati slike iz više uglova koje prevazilaze trenutni opseg dvostranih slika. Ovo bi omogućilo kreiranje modela sa više pogleda koji bi simulirao stereoskopski vid. Koristeći informacije o dubini prikupljene iz različitih uglova, efikasnost modela se može dodatno poboljšati.

Ovaj napredak bi olakšao prikupljanje i pripremu raznovrsnijih skupova podataka i povećao primjenjivost predloženog pristupa na širi spektar oblasti.

Doprinosi autora:Metodologija, C.-LC, C.-YL, Y.-ML, S.-WC i AKS; Softver, J.-CL, C.-YL, Y.-ML i S.-WC; Validacija, J.-CL, C.-YL i AKS; Formalna analiza, Y.-ML; Pisanje— originalni nacrt, T.-YS, TC i P.-CH; Nadzor, T.-YS, TC i P.-CH; Administracija projekta, C.-LC Svi autori su pročitali i pristali na objavljenu verziju rukopisa.

finansiranje:Ovo istraživanje nije dobilo vanjsko finansiranje.

Izjava institucionalnog odbora za reviziju:Nije primjenjivo.

Izjava o informiranom pristanku:Nije primjenjivo.

Izjava o dostupnosti podataka:Svi skupovi podataka korišteni u ovom radu su javno dostupni.

Sukobi interesa:Autori izjavljuju da nema sukoba interesa.

Reference

1. Tarik, RA; Vashisht, R.; Sinha, A.; Scherbak, Y. Greške i prevencija u izdavanju lijekova; StatPearls: Treasure Island, FL, SAD, 2020.

2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Konvolucijske mreže za segmentaciju biomedicinske slike. U Proceedings of the 18th International Conference, MICCAI, Minhen, Njemačka, 5-9. oktobar 2015; str. 234–241.

3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: Duboka konvoluciona neuronska mreža za segmentaciju medicinske slike. U Proceedings of the IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), Rochester, MN, SAD, 28–30. jul 2020; str. 558–564.

4. Chin, CL; Chang, CL; Liu, YC; Lin, YL Automatsko segmentiranje i mjerenje indikatora glasnih nabora i glotala na endoskopskim slikama larinksa pomoću Mask R-CNN. Biomed. inž. Appl. Basis Commun. 2021, 33, 2150027.

5. Płudowski, J.; Mulawka, J. Machine Learning in Recognition of Basic Pulmonary Pathologies. Appl. Sci. 2022, 12, 8086. [CrossRef]

6. Rajaraman, S.; Guo, P.; Xue, Z.; Antani, SK Specifičan ansambl za duboki modalitet za poboljšanje otkrivanja pneumonije na rendgenskim snimcima grudnog koša. Dijagnostika 2022, 12, 1442. [CrossRef] [PubMed]

7. Granata, V.; Fusco, R.; Costa, M.; Picone, C.; Cozzi, D.; Moroni, C.; Petrillo, A. Preliminarni izvještaj o karakteristikama radionike kompjuterizovane tomografije kao biomarkera za izbor imunoterapije kod pacijenata sa adenokarcinomom pluća. Cancers 2021, 13, 3992. [CrossRef] [PubMed]

8. Zarogoulidis, P.; Kioumis, I.; Pitsiou, G.; Porpodis, K.; Lampaki, S.; Papaiwannou, A.; Katsikogiannis, N.; Zarić, B.; Branislav, P.; Secen, N.; et al. Pneumotoraks: od definicije do dijagnoze i liječenja. J. Thorac. Dis. 2014, 6 (Suppl. S4), S372–S376. [PubMed]

9. Zhang, R.; Yang, F.; Luo, Y.; Liu, J.; Li, J.; Wang, C. Part-Aware Mask-Guided Attention for Thorax Disease Classification. Entropija 2021, 23, 653. [CrossRef] [PubMed]

10. Yang, F.; Lu, PX; Deng, M.; Wáng, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Anotacije plućnih abnormalnosti u skupu podataka rendgenskih zraka u Shenzhenu za kompjuterski potpomognuti skrining plućnih bolesti. Podaci 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, Culescu, AA; Ancus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL Nova metoda za obradu slike pluća pomoću složenih mreža. Tomografija 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Detekcija pneumonije na rendgenskim slikama grudnog koša korištenjem ansambla dubokih konvolucijskih neuronskih mreža. Appl. Sci. 2022, 12, 6448. [CrossRef]

13. Khishe, M.; Caraffini, F.; Kuhn, S. Razvijanje konvolucionih neuronskih mreža dubokog učenja za rano otkrivanje COVID-19 na rendgenskim slikama grudnog koša. Matematika 2021, 9, 1002. [CrossRef]

14. Cao, F.; Zhao, H. Algoritam za automatsku segmentaciju pluća na rendgenskim snimcima grudnog koša baziran na fuzionom varijacionom auto-koderu i tri-terminalnom mehanizmu pažnje. Symmetry 2021, 13, 814. [CrossRef]

15. Alhariti, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Bouguila, N. Diskriminativni pristup učenju zasnovan na modelu fleksibilne mješavine za kategorizaciju i prepoznavanje medicinskih podataka. Senzori 2021, 21, 2450. [CrossRef] [PubMed]

16. Rajaraman, S.; Folio, LR; Dimperio, J.; Alderson, PO; Antani, SK Poboljšana semantička segmentacija tuberkuloze—Dosljedni nalazi na rendgenskim snimcima grudnog koša korištenjem proširene obuke u-net modela specifičnih za modalitet sa slabim lokalizacijama. Dijagnostika 2021, 11, 616. [CrossRef] [PubMed]

17. Shakeri, A.; Konstantelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. Globalni trendovi upotrebe antivirusnih lijekova direktnog djelovanja (DAA) tokom pandemije COVID{1}}: Analiza vremenske serije. Virusi 2021, 13, 1314. [CrossRef] [PubMed]

18. Ellis, R.; Hay-David, AGC; Brennan, PA Rad tokom pandemije COVID-19: Kako smanjiti liječničku grešku. Br. J. Oral Maxillofac. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ou, YY; Tsai, AC; Zhou, XP; Wang, JF Automatsko otkrivanje tableta lijekova zasnovano na poboljšanoj piramidalnoj mreži i konvolucionim neuronskim mrežama. IET Comput. Vis. 2020, 14, 9–17. [CrossRef]

20. Wondmieneh, A.; Alemu, W.; Tadele, N.; Demis, A. Greške u primjeni lijekova i faktori koji doprinose među medicinskim sestrama: studija poprečnog presjeka u tercijarnim bolnicama, Adis Abeba, Etiopija. BMC Nurs. 2020, 19, 4. [CrossRef] [PubMed]

21. Wang, Y.; Ribera, J.; Liu, C.; Yarlagadda, S.; Zhu, F. Prepoznavanje pilule koristeći minimalne označene podatke. U Proceedings of the 2017 IEEE Third International Conference on Multimedia Big Data (BigMM), Laguna Hills, CA, SAD, 19.–21. april 2017.; str. 346–353.

22. Kwon, HJ; Kim, HG; Lee, SH model detekcije pilula za inspekciju medicine zasnovan na dubokom učenju. Chemosensors 2022, 10, 4. [CrossRef]

23. Tan, L.; Huangfu, T.; Wu, L.; Chen, W. Poređenje YOLO v3, bržeg R-CNN-a i SSD-a za identifikaciju tableta u realnom vremenu.

24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS prostorno-vremenska klasifikacija piksela vegetacije korištenjem konvolucijskih mreža. IEEE Geosci. Remote Sens. Lett. 2019, 16, 1665–1669. [CrossRef]

25. Shimizu, A.; Wakabayashi, H.; Kanamori, T.; Saito, A.; Nishikawa, K.; Daisaki, H.; Higashiyama, S.; Kawabe, J. Automatsko mjerenje indeksa skeniranja kostiju sa scintigrama kostiju cijelog tijela. Int. J. Comput. Asist. Radiol. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]

26. NIH rendgenski skup podataka. Dostupno na mreži: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (pristupljeno 2. maja 2023.).

27. Cubuk, ED; Zoph, B.; Shlens, J.; Le, QV Randaugment: Praktično automatizovano povećanje podataka sa smanjenim prostorom za pretragu. U Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, Seattle, WA, SAD, 14.–19. juna 2020.; str. 702–703.

28. VGG anotator slika. Dostupno na mreži: https://www.robots.ox.ac.uk/vgg/software/via/ (pristupljeno 26. septembra 2022.).

Odricanje od odgovornosti/Napomena izdavača:Izjave, mišljenja i podaci sadržani u svim publikacijama su isključivo oni pojedinačnih autora i saradnika, a ne MDPI i/ili urednika(a). MDPI i/ili urednik(i) se odriču odgovornosti za bilo kakvu povredu ljudi ili imovine koja je rezultat ideja, metoda, uputstava ili proizvoda navedenih u sadržaju.

【Za više informacija:george.deng@wecistanche.com / WhatsApp:8613632399501】