Nová fuzzy DBNet pre segmentáciu medicínskeho obrazu, časť 2

3.4. Segmentácia obrázkov piluliek

Fuzzy DBNet fungoval dobre medzi súbormi údajov o tabletách. Na ďalšie overenie zovšeobecnenia modelu sme tiež uskutočnili experimenty na súbore údajov o pľúcach. Obrázok 8 znázorňuje stratu validácie.

Cistanche môže pôsobiť ako prostriedok proti únave a výdrži a experimentálne štúdie ukázali, že odvar z Cistanche tubulosa by mohol účinne chrániť pečeňové hepatocyty a endotelové bunky poškodené u nosných plávajúcich myší, regulovať expresiu NOS3 a podporovať pečeňový glykogén. syntézy, a tým pôsobí proti únave. Extrakt z Cistanche tubulosa bohatý na fenyletanoidné glykozidy by mohol významne znížiť hladiny kreatínkinázy, laktátdehydrogenázy a laktátu v sére a zvýšiť hladiny hemoglobínu (HB) a glukózy u myší ICR, čo by mohlo hrať úlohu proti únave znížením poškodenia svalov a oneskorenie obohatenia kyselinou mliečnou na ukladanie energie u myší. Compound Cistanche Tubulosa Tablets významne predĺžil čas plávania v záťaži, zvýšil rezervu pečeňového glykogénu a znížil hladinu močoviny v sére po cvičení u myší, čo preukázalo jeho účinok proti únave. Odvar z Cistanchis môže zlepšiť vytrvalosť a urýchliť odstránenie únavy u cvičiacich myší a môže tiež znížiť zvýšenie sérovej kreatínkinázy po záťažovom cvičení a udržať ultraštruktúru kostrového svalstva myší po cvičení normálnu, čo naznačuje, že má účinky na zvýšenie fyzickej sily a proti únave. Cistanchis tiež významne predĺžil čas prežitia myší otrávených dusitanmi a zvýšil toleranciu voči hypoxii a únave.

Na súbore údajov o tabletách sme vybrali skupinu obrázkov na testovanie modelu. Táto sada obsahovala šesť obrázkov: nespracované obrázky zhora nadol a zdola nahor a zodpovedajúce obrázky základnej pravdy a segmentované výsledky. Tieto obrázky sú zobrazené na obrázku 9.

Aby sme vyhodnotili výkon nášho navrhovaného modelu, porovnali sme výstup Fuzzy DBNet a jeho základnú pravdu na testovacom súbore údajov pomocou spriemerovaného koeficientu kocky, mIoU a presnosti po pixeloch. Výsledky sú uvedené v tabuľke 3.

Ako príklady sme vybrali dve sady obrázkov z výsledkov segmentácie súboru údajov o tabletách. Na obrázku 10 bola výkonnosť segmentácie BtrflyNet nižšia. Na druhej strane, keď DoubleU-Net rozpoznal tabletky bez textu, bol náchylný na chyby v klasifikácii. Obrázok 11 ukazuje testovacie prípady so zámerne nesprávnymi obrazovými vstupmi, kde boli obrázky piluliek zachytené v rôznych uhloch namiesto predného a zadného pohľadu. To viedlo nielen k slabému výkonu klasifikácie DoubleU-Net, ale aj k zníženiu presnosti klasifikácie pre náš model a BtrflyNet, pretože boli ovplyvnené nesprávne umiestnenými vlastnosťami lieku.

4. Diskusia

Porovnali sme výkonnosť našej navrhovanej metódy s výkonnosťou BtrflyNet na súboroch údajov o tabletách a pľúcach a preukázali sme, že náš prístup dosiahol lepšie výsledky segmentácie.

S odkazom na obrázky 6, 7 a 10 je možné pozorovať, že náš model bol trénovaný integráciou obojstranných obrázkov. Náš model dosiahol úplnejšiu segmentáciu a mal vyššiu presnosť klasifikácie v porovnaní s inými modelmi. Naopak, náš model mal tiež obmedzenia. Napríklad, ako je znázornené na obrázku 11, chýbali mu výhody v neobojstranných obrázkoch alebo obojstranných obrázkoch s nesprávne zarovnanými polohami a bol náchylný na nesprávne klasifikovanie segmentovaných objektov. Z týchto dvoch prípadov sa usúdilo, že model počas tréningu kombinoval dôležité vlastnosti z oboch strán vstupných obrázkov. Preto by sa dva vstupné obrázky toho istého cieľového objektu mali čo najviac prekrývať, aby sa naplno využili výhody nášho modelu.

Kliknite na vyčerpané

【Ďalšie informácie:{1}} / WhatsApp:{0}}】

V súbore röntgenových údajov pľúc náš model prekonal BtrflyNet v presnosti segmentácie. Vďaka začleneniu fuzzy ASPP a použitiu obojstranných obrázkov ako vstupu vytvoril náš model v porovnaní s DoubleU-Net kompletnejšie segmentácie pľúc aj pre rozmazané obrázky.

V súbore údajov o pilulkách náš model prekonal BtrflyNet aj DoubleU-Net v presnosti segmentácie a presnosti klasifikácie, najmä ak bol prítomný text na zadnej strane piluliek. Využitím funkcií z obrázkov zadnej strany naša navrhovaná metóda dosiahla presnú klasifikáciu.

Po konzultácii s lekárskymi centrami sme sa dozvedeli, že mnohé patologické stavy vyžadujú na presnú diagnózu informácie z obojstranného lekárskeho zobrazovania. Napríklad lekári zvyčajne používajú AP a PA pohľady z rádionuklidového skenovania kostí na diagnostiku metastatických lézií, ako aj snímky z rôznych perspektív v údajoch z röntgenového žiarenia kolena na diagnostiku artritídy. Súčasne na základe vyššie uvedenej analýzy možno vyvodiť, že náš model by mohol dosiahnuť vynikajúce výsledky pri aplikácii na súbory údajov obsahujúce tento typ obojstranného zobrazovania.

Celkovo, ako je uvedené v tabuľke 4, naša navrhovaná metóda dosiahla vyššie skóre mIoU, koeficient kocky a presnosť pixelov v porovnaní s BtrflyNet a DoubleU-Net. Tieto výsledky ukázali, že naša navrhovaná metóda zlepšila presnosť segmentácie obrazu z obojstranných obrázkov.

5. Závery

V tomto článku sme navrhli Fuzzy DBNet, ktorý používa dva vstupné obrázky na vyriešenie problému, že jedna strana objektu je rozmazaná alebo neúplná. Náš navrhovaný model dosiahol pixelovú presnosť 92,8 % na súbore údajov o liekoch, čo bolo o 10,4 % presnejšie ako Double U-Net a 6,9 % v porovnaní s BtryflyNet, čím sa efektívne vyriešil problém nekonzistentného textu na oboch stranách lieku, ktorý byť presne klasifikované na základe jedného obrázka. Na súbore röntgenových údajov hrudníka dosiahla presnosť pixelov 96,9 %, čo bolo o 2,8 a 7,2 % presnejšie ako v prípade Double U-Net a BtryflyNet. To zlepšilo problém zakrytých alebo zašumených oblastí pri segmentácii obrazu.

Budúca práca pozostáva hlavne z dvoch častí. Po prvé, naším cieľom je aplikovať náš model na rozpoznanie rôznych chorobných lézií, ktoré si vyžadujú obojstranné lekárske snímky, ako sú kostné metastázy a kolená. V nadväznosti na to plánujeme vyvinúť sieťovú architektúru, ktorá dokáže integrovať viacuhlové obrázky, ktoré presahujú súčasný rozsah obojstranných obrázkov. To by umožnilo vytvorenie viacpohľadového modelu na simuláciu stereoskopického videnia. Využitím informácií o hĺbke zachytených z rôznych uhlov možno ešte viac zvýšiť efektivitu modelu.

Tento pokrok by uľahčil zber a prípravu rôznorodejších súborov údajov a zvýšil by uplatniteľnosť navrhovaného prístupu v širšom rozsahu oblastí.

Príspevky autora:Metodológia, C.-LC, C.-YL, Y.-ML, S.-WC a AKS; Software, J.-CL, C.-YL, Y.-ML a S.-WC; Validácia, J.-CL, C.-YL a AKS; Formálna analýza, Y.-ML; Písanie – pôvodný návrh, T.-YS, TC a P.-CH; Supervision, T.-YS, TC a P.-CH; Administrácia projektu, C.-LC Všetci autori si prečítali a súhlasili s publikovanou verziou rukopisu.

Financovanie:Tento výskum nezískal žiadne externé financovanie.

Vyhlásenie inštitucionálnej revíznej rady:Nepoužiteľné.

Vyhlásenie informovaného súhlasu:Nepoužiteľné.

Vyhlásenie o dostupnosti údajov:Všetky súbory údajov použité v tomto dokumente sú verejne dostupné.

Konflikt záujmov:Autori nedeklarujú žiadny konflikt záujmov.

Referencie

1. Tariq, RA; Vashisht, R.; Sinha, A.; Scherbak, Y. Chyby pri výdaji liekov a prevencia; StatPearls: Treasure Island, FL, USA, 2020.

2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Konvolučné siete pre segmentáciu biomedicínskych obrazov. In Proceedings of the 18th International Conference, MICCAI, Mníchov, Nemecko, 5. – 9. október 2015; s. 234–241.

3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: Hlboká konvolučná neurónová sieť na segmentáciu medicínskych obrazov. In Proceedings of the IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), Rochester, MN, USA, 28-30 July 2020; s. 558–564.

4. Chin, CL; Chang, CL; Liu, YC; Lin, YL Automatická segmentácia a meranie indikátorov vokálnych záhybov a hlasiviek na snímkach endoskopie hrtana pomocou masky R-CNN. Biomed. Ing. Appl. Basis Commun. 2021, 33, 2150027.

5. Płudowski, J.; Mulawka, J. Strojové učenie pri rozpoznávaní základných pľúcnych patológií. Appl. Sci. 2022, 12, 8086. [CrossRef]

6. Rajaraman, S.; Guo, P.; Xue, Z.; Antani, SK Hlboký súbor špecifický pre modalitu na zlepšenie detekcie pneumónie na röntgenových snímkach hrudníka. Diagnostika 2022, 12, 1442. [CrossRef] [PubMed]

7. Granata, V.; Fusco, R.; Costa, M.; Picone, C.; Cozzi, D.; Moroni, C.; Petrillo, A. Predbežná správa o funkciách rádioniky počítačovej tomografie ako biomarkerov na výber imunoterapie u pacientov s adenokarcinómom pľúc. 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.; a kol. Pneumotorax: Od definície po diagnostiku a liečbu. J. Thorac. Dis. 2014, 6 (Suppl. S4), S372–S376. [PubMed]

9. Zhang, R.; Yang, F.; Luo, Y.; Liu, J.; Li, J.; Wang, C. Pozornosť riadená maskou s čiastočným vedomím pre klasifikáciu ochorenia hrudníka. Entropia 2021, 23, 653. [CrossRef] [PubMed]

10. Yang, F.; Lu, PX; Deng, M.; Wáng, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Anotácie pľúcnych abnormalít v súbore údajov röntgenových lúčov hrudníka Shenzhen pre počítačom podporovaný skríning pľúcnych chorôb. Údaje 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, culescu, AA; Ancus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL Nová metóda na spracovanie obrazu pľúc pomocou zložitých sietí. Tomografia 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Detekcia pneumónie na röntgenových snímkach hrudníka pomocou súboru hlbokých konvolučných neurónových sietí. Appl. Sci. 2022, 12, 6448. [CrossRef]

13. Khishe, M.; Caraffini, F.; Kuhn, S. Vyvíjajúce sa konvolučné neurónové siete s hlbokým učením na včasnú detekciu COVID-19 na röntgenových snímkach hrudníka. Matematika 2021, 9, 1002. [CrossRef]

14. Cao, F.; Zhao, H. Algoritmus automatickej segmentácie pľúc na röntgenových snímkach hrudníka založený na fúznom variačnom automatickom kódovači a trojterminálnom mechanizme pozornosti. Symetria 2021, 13, 814. [CrossRef]

15. Alharithi, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Bouguila, N. Diskriminačný vzdelávací prístup založený na modeli flexibilnej zmesi na kategorizáciu a rozpoznávanie medicínskych údajov. Senzory 2021, 21, 2450. [CrossRef] [PubMed]

16. Rajaraman, S.; Folio, LR; Dimperio, J.; Alderson, PO; Antani, SK Zlepšená sémantická segmentácia tuberkulózy – konzistentné nálezy na RTG snímkach hrudníka pomocou rozšíreného tréningu modelov u-net špecifických pre modalitu so slabými lokalizáciami. Diagnostika 2021, 11, 616. [CrossRef] [PubMed]

17. Shakeri, A.; Konstantelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. Globálne trendy využívania priamo pôsobiacich antivirotík (DAA) počas pandémie COVID-19: Analýza časových radov. Vírusy 2021, 13, 1314. [CrossRef] [PubMed]

18. Ellis, R.; Hay-David, AGC; Brennanová, PA Pôsobiaca počas pandémie COVID-19: Ako znížiť medicínske chyby. Br. J. Oral Maxillofac. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ou, YY; Tsai, AC; Zhou, XP; Wang, JF Automatická detekcia liekových piluliek založená na pyramídovej sieti s vylepšenými funkciami a konvolučných neurónových sieťach. Výpočet IET. Vis. 2020, 14, 9–17. [CrossRef]

20. Wondmieneh, A.; Alemu, W.; Tadele, N.; Demis, A. Chyby pri podávaní liekov a prispievajúce faktory medzi sestrami: Prierezová štúdia v terciárnych nemocniciach, Addis Abeba, Etiópia. BMC Nurs. 2020, 19, 4. [CrossRef] [PubMed]

21. Wang, Y.; Ribera, J.; Liu, C.; Yarlagadda, S.; Zhu, F. Rozpoznanie piluliek s použitím minimálnych označených údajov. In Proceedings of the 2017 IEEE Third International Conference on Multimedia Big Data (BigMM), Laguna Hills, CA, USA, 19. – 21. April 2017; s. 346–353.

22. Kwon, HJ; Kim, HG; Lee, SH Model detekcie piluliek pre inšpekciu liekov založený na hlbokom učení. Chemosensors 2022, 10, 4. [CrossRef]

23. Tan, L.; Huangfu, T.; Wu, L.; Chen, W. Porovnanie YOLO v3, rýchlejšieho R-CNN a SSD na identifikáciu piluliek v reálnom čase.

24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS klasifikácia priestorovo-časových vegetačných pixelov pomocou konvolučných sietí. 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. Automatizované meranie indexu skenovania kostí z celotelového kostného scintigramu. Int. J. Comput. Asistencia. Radiol. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]

26. Súbor údajov RTG hrudníka NIH. Dostupné na internete: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (prístup 2. mája 2023).

27. Cubuk, ED; Zoph, B.; Shlens, J.; Le, QV Randaugment: Praktické automatizované rozširovanie údajov s menším priestorom pre vyhľadávanie. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, Seattle, WA, USA, 14-19 June 2020; s. 702–703.

28. VGG Image Annotator. Dostupné na internete: https://www.robots.ox.ac.uk/vgg/software/via/ (prístup 26. septembra 2022).

Vyhlásenie/Poznámka vydavateľa:Vyhlásenia, názory a údaje obsiahnuté vo všetkých publikáciách sú výlučne vyjadreniami jednotlivých autorov a prispievateľov a nie MDPI a/alebo editorov. MDPI a/alebo editor(i) sa zriekajú zodpovednosti za akékoľvek zranenie osôb alebo majetku vyplývajúce z akýchkoľvek nápadov, metód, pokynov alebo produktov uvedených v obsahu.

【Ďalšie informácie:{1}} / WhatsApp:{0}}】