Új, fuzzy DBNet az orvosi képszegmentációhoz, 2. rész

3.4. Tablettaképek szegmentálása

A Fuzzy DBNet jól teljesített a tabletták adatkészletei között. A modell általánosításának további igazolására kísérleteket is végeztünk a tüdő adathalmazán. A 8. ábra az érvényesítési veszteséget mutatja.

A Cistanche kimerültség- és állóképességnövelőként hathat, és kísérleti vizsgálatok kimutatták, hogy a Cistanche tubulosa főzete hatékonyan védheti a máj hepatocitáit és az endothel sejteket, amelyek károsodtak a súlyzó úszó egerekben, szabályozza a NOS3 expresszióját, és elősegíti a máj glikogén termelését. szintézis, így kifejtve a fáradtság elleni hatást. A feniletanoid-glikozidokban gazdag Cistanche tubulosa kivonat jelentősen csökkentheti a szérum kreatin-kináz-, laktát-dehidrogenáz- és laktátszintet, valamint növelheti a hemoglobin (HB) és a glükózszintet ICR egerekben, és ez kimerültség-csökkentő szerepet játszhat az izomkárosodás csökkentésével. és késlelteti a tejsavas dúsítást az energia tárolására egerekben. A Compound Cistanche Tubulosa Tablets jelentősen meghosszabbította az úszás idejét, növelte a máj glikogéntartalékát, és csökkentette a szérum karbamidszintet edzés után egereknél, megmutatva fáradtság elleni hatását. A Cistanchis főzete javíthatja az állóképességet és felgyorsíthatja a fáradtság megszüntetését az edzõ egereknél, valamint csökkentheti a szérum kreatin-kináz szintjének emelkedését terhelés után, és az egerek vázizomzatának ultrastruktúráját edzés után normálisan tartja, ami azt jelzi, hogy megvannak a hatásai. a fizikai erő növelésére és a fáradtság csökkentésére. A Cistanchis emellett jelentősen meghosszabbította a nitrittel mérgezett egerek túlélési idejét, és fokozta a hipoxia és a fáradtság elleni toleranciát.

A pirula adatkészletén kiválasztottunk egy képcsoportot a modell teszteléséhez. Ez a készlet hat képet tartalmazott: nyers képeket fentről lefelé és alulról felfelé, valamint a megfelelő alapigazság-képeket és szegmentált eredményeket. Ezeket a képeket a 9. ábra mutatja.

A javasolt modellünk teljesítményének értékeléséhez összehasonlítottuk a Fuzzy DBNet kimenetét és annak alapigazságát a tesztelési adatkészleten, az átlagos kocka együttható, mIoU és pixelenkénti pontosság segítségével. Az eredményeket a 3. táblázat tartalmazza.

Példaként két képkészletet választottunk ki a tablettáteszt-adatkészlet szegmentálási eredményeiből. A 10. ábrán a BtrflyNet szegmentációs teljesítménye gyengébb volt. Másrészt, amikor a DoubleU-Net szöveg nélkül ismerte fel a tablettákat, hajlamos volt az osztályozási hibákra. A 11. ábra olyan teszteseteket mutat be szándékosan hibás képbevitellel, ahol a tabletták képei különböző szögekből készültek az elülső és hátsó nézet helyett. Ez nem csak a DoubleU-Net gyenge osztályozási teljesítményéhez vezetett, hanem a modellünk és a BtrflyNet osztályozási pontosságának csökkenéséhez is, mivel ezeket befolyásolták a rosszul elhelyezett gyógyszerjellemzők.

4. Megbeszélés

Összehasonlítottuk a javasolt módszerünk teljesítményét a BtrflyNet teljesítményével a tabletták és a tüdő adatkészletein, és kimutattuk, hogy megközelítésünk jobb szegmentációs eredményeket ért el.

A 6., 7. és 10. ábrára hivatkozva megfigyelhető, hogy modellünket kétoldalas képek integrálásával képeztük. Modellünk teljesebb szegmentálást ért el, és magasabb osztályozási pontossággal rendelkezett más modellekhez képest. Ezzel szemben a modellünknek is voltak korlátai. Például, amint a 11. ábrán látható, nem volt előnye a nem kétoldalas képek vagy a kétoldalas, hibás pozíciójú képek esetében, és hajlamos volt a szegmentált objektumok téves osztályozására. Ebből a két esetből arra következtettek, hogy a modell a bemeneti képek mindkét oldaláról fontos jellemzőket egyesített a képzés során. Ezért ugyanazon célobjektum két bemeneti képének a lehető legnagyobb mértékben át kell fednie egymást, hogy teljes mértékben kiaknázzuk a modellünk előnyeit.

Kattintson a kimerült gombra

【További információ:george.deng@wecistanche.com / WhatsApp:8613632399501】

A tüdőröntgen-adatkészletben modellünk felülmúlta a BtrflyNet szegmentálási pontosságát. A fuzzy ASPP beépítése és a kétoldalas képek bemenetként való használata miatt modellünk teljesebb tüdőszegmentációt produkált még elmosódott képek esetén is, mint a DoubleU-Net.

A pirula adatkészletben modellünk felülmúlta a BtrflyNet és a DoubleU-Net szegmentálási és osztályozási pontosságát, különösen akkor, ha a tabletták hátoldalán található szöveg. A hátoldali képek jellemzőinek kihasználásával javasolt módszerünk pontos osztályozást ért el.

Az orvosi központokkal folytatott konzultációt követően megtudtuk, hogy sok kóros állapot kétoldalas orvosi képalkotásból származó információkat igényel a pontos diagnózishoz. Például az orvosok általában a radionuklid-csont-szkennelésből származó AP- és PA-nézeteket használják az áttétes elváltozások diagnosztizálására, valamint a térdröntgen-adatok különböző perspektíváiból származó képeket az ízületi gyulladás diagnosztizálására. Ezzel párhuzamosan a fent említett elemzés alapján arra lehet következtetni, hogy modellünk kiváló eredményeket érhet el, ha az ilyen típusú kétoldalas képalkotást tartalmazó adatkészletekre alkalmazzuk.

Összességében, amint azt a 4. táblázat mutatja, a javasolt módszerünk magasabb mIoU pontszámot, kocka együtthatót és pixelenkénti pontosságot ért el, mint a BtrflyNet és a DoubleU-Net. Ezek az eredmények azt mutatták, hogy a javasolt módszerünk javította a kétoldalas képek képszegmentálási pontosságát.

5. Következtetések

Ebben a cikkben a Fuzzy DBNet-et javasoltuk, amely két bemeneti képet készít annak megoldására, hogy egy objektum egyik oldala elmosódott vagy hiányos. Javasolt modellünk 92,8%-os pixelenkénti pontosságot ért el egy gyógyszeradatkészleten, ami 10,4%-kal pontosabb volt, mint a Double U-Net, és 6,9%-kal a BtryflyNet-hez képest, hatékonyan megoldva az inkonzisztens szövegek problémáját egy olyan gyógyszer mindkét oldalán, amely nem tud. pontosan besorolható egyetlen kép alapján. A mellkas röntgen adathalmazán a pixelenkénti pontosság elérte a 96,9%-ot, ami 2,8 és 7,2%-kal volt pontosabb, mint a Double U-Net és a BtryflyNet esetében. Ez javította a homályos vagy zajos régiók problémáját a képszegmentálás során.

A jövőbeni munka alapvetően két részből áll. Először is arra törekszünk, hogy modellünket különböző, kétoldalas orvosi képeket igénylő betegségek léziófelismerésére alkalmazzuk, mint például csontáttétek és térdek. Ezt követően olyan hálózati architektúra kifejlesztését tervezzük, amely képes integrálni több látószögű képeket, amelyek túlmutatnak a kétoldalas képek jelenlegi hatókörén. Ez lehetővé tenné egy többnézetű modell létrehozását a sztereoszkópikus látás szimulálására. A különböző szögekből rögzített mélységi információk kihasználásával a modell hatékonysága tovább fokozható.

Ez az előrelépés megkönnyítené a változatosabb adatkészletek összegyűjtését és elkészítését, és növelné a javasolt megközelítés alkalmazhatóságát a területek szélesebb körében.

A szerző hozzájárulásai:Módszertan, C.-LC, C.-YL, Y.-ML, S.-WC és AKS; Software, J.-CL, C.-YL, Y.-ML és S.-WC; Validálás, J.-CL, C.-YL és AKS; Formális elemzés, Y.-ML; Írás – eredeti tervezet, T.-YS, TC és P.-CH; Felügyelet, T.-YS, TC és P.-CH; Projektadminisztráció, C.-LC Minden szerző elolvasta és elfogadta a kézirat közzétett változatát.

Finanszírozás:Ez a kutatás nem kapott külső támogatást.

Az intézményi felülvizsgálati bizottság nyilatkozata:Nem alkalmazható.

Tájékozott beleegyező nyilatkozat:Nem alkalmazható.

Adatelérhetőségi nyilatkozat:Az ebben a cikkben használt összes adatkészlet nyilvánosan elérhető.

Összeférhetetlenség:A szerzők nem nyilatkoznak összeférhetetlenségről.

Hivatkozások

1. Tariq, RA; Vasisht, R.; Sinha, A.; Scherbak, Y. Gyógyszerkiadási hibák és megelőzés; StatPearls: Treasure Island, FL, USA, 2020.

2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Konvolúciós hálózatok az orvosbiológiai képszegmentációhoz. In Proceedings of the 18th International Conference, MICCAI, München, Németország, 2015. október 5–9.; 234–241.

3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: Mély konvolúciós neurális hálózat az orvosi képszegmentációhoz. In Proceedings of the IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), Rochester, MN, USA, 2020. július 28–30.; 558–564.

4. Chin, CL; Chang, CL; Liu, YC; Lin, YL A hangredők és glottális automatikus szegmentálása és indikátorok mérése gége endoszkópos képeken a Mask R-CNN használatával. Biomed. Eng. Appl. Basis Commun. 2021, 33, 2150027.

5. Płudowski, J.; Mulawka, J. Gépi tanulás az alapvető tüdőpatológiák felismerésében. Appl. Sci. 2022, 12, 8086. [CrossRef]

6. Rajaraman, S.; Guo, P.; Xue, Z.; Antani, SK Mély modalitás-specifikus együttes a tüdőgyulladás kimutatásának javítására mellkasröntgenben. Diagnostics 2022, 12, 1442. [CrossRef] [PubMed]

7. Granata, V.; Fusco, R.; Costa, M.; Picone, C.; Cozzi, D.; Moroni, C.; Petrillo, A. Előzetes jelentés a komputertomográfiás radionika jellemzőiről, mint biomarkerekről az immunterápia kiválasztásához tüdőadenokarcinómás betegekben. Cancers 2021, 13, 3992. [CrossRef] [PubMed]

8. Zarogoulidis, P.; Kioumis, I.; Pitsiou, G.; Porpodis, K.; Lampaki, S.; Papaiwannou, A.; Katsikogiannis, N.; Zaric, B.; Branislav, P.; Secen, N.; et al. Pneumothorax: A meghatározástól a diagnózisig és a kezelésig. J. Thorac. Dis. 2014, 6 (S4 melléklet), S372–S376. [PubMed]

9. Zhang, R.; Yang, F.; Luo, Y.; Liu, J.; Li, J.; Wang, C. Részben tudatos, maszk által vezérelt figyelem a mellkasi betegségek osztályozására. Entropy 2021, 23, 653. [CrossRef] [PubMed]

10. Yang, F.; Lu, PX; Deng, M.; Wáng, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Annotations of Lung Abnormalities in the Shenzhen Chest X-rays Dataset for Computer-Aided Screening of Pulmonary Diseases. Adatok 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, culescu, AA; Ancus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL Egy új módszer a tüdő képfeldolgozására összetett hálózatok használatával. Tomográfia 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Tüdőgyulladás kimutatása mellkasröntgenfelvételeken, mély konvolúciós neurális hálózatok együttesével. Appl. Sci. 2022, 12, 6448. [CrossRef]

13. Khishe, M.; Caraffini, F.; Kuhn, S. Mélytanulási konvolúciós neurális hálózatok fejlesztése a COVID{1}} korai kimutatására mellkasröntgenfelvételeken. Matematika, 2021, 9, 1002. [CrossRef]

14. Cao, F.; Zhao, H. Automatikus tüdőszegmentációs algoritmus mellkasröntgenfelvételeken, fúziós variációs automatikus kódolón és háromterminális figyelemmechanizmuson alapulóan. Symmetry 2021, 13, 814. [CrossRef]

15. Alharithi, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Bouguila, N. Diskriminatív tanulási megközelítés rugalmas keverékmodell alapján az orvosi adatok kategorizálásához és felismeréséhez. Érzékelők 2021, 21, 2450. [CrossRef] [PubMed]

16. Rajaraman, S.; Folio, LR; Dimperio, J.; Alderson, PO; Antani, SK A tuberkulózis jobb szemantikai szegmentációja – Következetes eredmények a mellkasröntgenfelvételeken a modalitás-specifikus, gyenge lokalizációjú u-net modellek kiterjesztett képzésével. Diagnostics 2021, 11, 616. [CrossRef] [PubMed]

17. Shakeri, A.; Konstantinelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. A közvetlen hatású vírusellenes szerek (DAA) globális felhasználási trendjei a COVID{1}} pandémia idején: idősoros elemzés. Vírusok 2021, 13, 1314. [CrossRef] [PubMed]

18. Ellis, R.; Hay-David, AGC; Brennan, PA Működés a COVID{2}} világjárvány idején: Hogyan csökkentsük az orvosi hibákat. Br. J. Oral Maxillofac. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ó, YY; Tsai, AC; Zhou, XP; Wang, JF Automatikus gyógyszertabletta-észlelés továbbfejlesztett jellemző piramishálózaton és konvolúciós neurális hálózatokon. IET Comput. Vis. 2020, 14, 9–17. [CrossRef]

20. Wondmieneh, A.; Alemu, W.; Tadele, N.; Demis, A. Gyógyszerkezelési hibák és hozzájáruló tényezők az ápolónők körében: Keresztmetszeti vizsgálat felsőfokú kórházakban, Addis Abeba, Etiópia. BMC nővérek. 2020, 19, 4. [CrossRef] [PubMed]

21. Wang, Y.; Ribera, J.; Liu, C.; Yarlagadda, S.; Zhu, F. Tabletta felismerés minimális címkézett adatok felhasználásával. In Proceedings of the 2017 IEEE Third International Conference on Multimedia Big Data (BigMM), Laguna Hills, CA, USA, 2017. április 19–21.; 346–353.

22. Kwon, HJ; Kim, HG; Lee, SH Mély tanuláson alapuló tablettaészlelési modell az orvosi vizsgálathoz. Chemosensors 2022, 10, 4. [CrossRef]

23. Tan, L.; Huangfu, T.; Wu, L.; Chen, W. A YOLO v3, a gyorsabb R-CNN és ​​az SSD összehasonlítása a valós idejű pirulaazonosításhoz.

24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS Tér-időbeli növényzet képpontok osztályozása konvolúciós hálózatok használatával. 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. A csontletapogatási index automatikus mérése teljes test csontszcintigramból. Int. J. Comput. Segít. Radiol. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]

26. NIH mellkasröntgen adatkészlet. Elérhető online: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (Hozzáférés: 2023. május 2.).

27. Cubuk, ED; Zoph, B.; Shlens, J.; Le, QV Randaugment: Praktikus automatizált adatbővítés csökkentett keresési térrel. Az IEEE/CVF Computer Vision and Pattern Recognition Workshops konferencia anyagában, Seattle, WA, USA, 2020. június 14–19. 702–703.

28. VGG képannotátor. Elérhető online: https://www.robots.ox.ac.uk/vgg/software/via/ (Hozzáférés: 2022. szeptember 26.).

Felelősség kizárása/kiadói megjegyzés:Az összes publikációban szereplő állítások, vélemények és adatok kizárólag az egyes szerző(k) és közreműködő(k) sajátjai, nem pedig az MDPI-é és/vagy a szerkesztő(k)é. Az MDPI és/vagy a szerkesztő(k) elhárítanak felelősséget a tartalomban hivatkozott ötletek, módszerek, utasítások vagy termékek által okozott személyi vagy vagyoni sérülésekért.

【További információ:george.deng@wecistanche.com / WhatsApp:8613632399501】