Un nou DBNet fuzzy pentru segmentarea imaginilor medicale partea 2

3.4. Segmentarea imaginilor de pilule

Fuzzy DBNet a avut rezultate bune printre seturile de date despre pastile. Pentru a verifica în continuare generalizarea modelului, am efectuat și experimente pe setul de date pulmonare. Figura 8 arată pierderea de validare.

Cistanche poate acționa ca un ameliorator anti-oboseală și rezistență, iar studiile experimentale au arătat că decoctul de Cistanche tubulosa ar putea proteja eficient hepatocitele hepatice și celulele endoteliale deteriorate la șoarecii care înotă care poartă greutăți, să regleze expresia NOS3 și să promoveze glicogenul hepatic. sinteza, exercitand astfel eficacitate anti-oboseala. Extractul de Cistanche tubulosa bogat în glicozide feniletanoide ar putea reduce semnificativ creatinkinaza serică, lactat dehidrogenază și nivelurile de lactat și ar putea crește nivelul de hemoglobină (HB) și glucoză la șoarecii ICR, iar acest lucru ar putea juca un rol anti-oboseală prin scăderea leziunilor musculare. și întârzierea îmbogățirii cu acid lactic pentru stocarea energiei la șoareci. Compusul Cistanche Tubulosa Tabletele a prelungit semnificativ timpul de înot de suportare a greutății, a crescut rezerva hepatică de glicogen și a scăzut nivelul seric de uree după exercițiu la șoareci, arătând efectul său anti-oboseală. Decoctul de Cistanchis poate îmbunătăți rezistența și accelera eliminarea oboselii la șoarecii care se antrenează și, de asemenea, poate reduce creșterea creatinkinazei serice după exercițiul de încărcare și poate menține ultrastructura mușchiului scheletic al șoarecilor normală după exercițiu, ceea ce indică faptul că are efecte. de sporire a forței fizice și anti-oboseală. De asemenea, Cistanchis a prelungit semnificativ timpul de supraviețuire al șoarecilor otrăviți cu nitriți și a sporit toleranța la hipoxie și oboseală.

Pe setul de date de pilule, am ales un grup de imagini pentru a testa modelul. Acest set conținea șase imagini: imagini brute de sus în jos și de jos în sus și imaginile de adevăr de teren corespunzătoare și rezultatele segmentate. Aceste imagini sunt prezentate în Figura 9.

Pentru a evalua performanța modelului propus, am comparat rezultatul Fuzzy DBNet și adevărul său de bază pe setul de date de testare folosind coeficientul mediu de zaruri, mIoU și acuratețea pixelilor. Rezultatele sunt prezentate în Tabelul 3.

Am selectat ca exemple două seturi de imagini din rezultatele de segmentare a setului de date pentru testul de pilule. În Figura 10, performanța de segmentare a BtrflyNet a fost inferioară. Pe de altă parte, când DoubleU-Net a recunoscut pastilele fără text, era predispus la erori de clasificare. Figura 11 prezintă cazuri de testare cu intrări de imagine intenționat incorecte, în care imaginile pastilelor au fost capturate în unghiuri diferite în loc de vederile din față și din spate. Acest lucru a dus nu numai la performanța slabă de clasificare a DoubleU-Net, ci și la o scădere a preciziei clasificării pentru modelul nostru și BtrflyNet, deoarece acestea au fost afectate de caracteristicile de droguri deplasate.

4. Discutie

Am comparat performanța metodei noastre propuse cu cea a BtrflyNet pe seturile de date de pilule și plămâni și am demonstrat că abordarea noastră a obținut rezultate de segmentare mai bune.

Referindu-ne la figurile 6, 7 și 10, se poate observa că modelul nostru a fost antrenat prin integrarea de imagini cu două fețe. Modelul nostru a realizat o segmentare mai completă și a avut o precizie de clasificare mai mare în comparație cu alte modele. În schimb, modelul nostru a avut și limitări. De exemplu, așa cum se arată în Figura 11, nu avea avantaje în imaginile fără două fețe sau imaginile cu două fețe cu poziții nealiniate și era predispusă să clasifice greșit obiectele segmentate. Din aceste două cazuri, s-a dedus că modelul a combinat caracteristici importante din ambele părți ale imaginilor de intrare în timpul antrenamentului. Prin urmare, două imagini de intrare ale aceluiași obiect țintă ar trebui să se suprapună cât mai mult posibil pentru a valorifica pe deplin avantajele modelului nostru.

Faceți clic pe epuizat

【Pentru mai multe informații:george.deng@wecistanche.com / WhatsApp:8613632399501】

În setul de date cu raze X pulmonare, modelul nostru a depășit BtrflyNet în ceea ce privește acuratețea segmentării. Datorită încorporării ASPP neclare și utilizării imaginilor cu două fețe ca intrare, modelul nostru a produs segmentări pulmonare mai complete chiar și pentru imagini neclare, comparativ cu DoubleU-Net.

În setul de date despre pilule, modelul nostru a depășit atât BtrflyNet, cât și DoubleU-Net în ceea ce privește acuratețea segmentării și precizia clasificării, în special atunci când textul de pe spatele pastilelor era prezent. Prin valorificarea caracteristicilor din imaginile din spate, metoda noastră propusă a obținut o clasificare precisă.

După consultarea cu centrele medicale, am aflat că multe afecțiuni patologice necesită informații din imagistica medicală dublă pentru un diagnostic precis. De exemplu, medicii folosesc de obicei vizualizările AP și PA din scanarea osoasă cu radionuclizi pentru a diagnostica leziunile metastatice, precum și imagini din diferite perspective în datele cu raze X ale genunchiului pentru a diagnostica artrita. În același timp, pe baza analizei menționate mai sus, se poate deduce că modelul nostru ar putea obține rezultate superioare atunci când este aplicat la seturi de date care conțin acest tip de imagistică cu două fețe.

În general, așa cum se arată în tabelul 4, metoda noastră propusă a obținut un scor mIoU, un coeficient de zaruri și o acuratețe în funcție de pixeli, comparativ cu BtrflyNet și DoubleU-Net. Aceste rezultate au demonstrat că metoda propusă de noi a îmbunătățit acuratețea segmentării imaginii din imaginile cu două fețe.

5. Concluzii

În această lucrare, am propus Fuzzy DBNet, care ia două imagini de intrare pentru a rezolva problema ca o parte a unui obiect să fie neclară sau incompletă. Modelul propus de noi a obținut o acuratețe în pixeli de 92,8% pe un set de date despre medicamente, care a fost cu 10,4% mai precis decât Double U-Net și cu 6,9% în comparație cu BtryflyNet, rezolvând eficient problema textului inconsecvent pe ambele părți ale unui medicament care nu poate să fie clasificate cu precizie pe baza unei singure imagini. Pe un set de date cu raze X toracice, acuratețea pixelilor a atins 96,9%, ceea ce a fost cu 2,8 și 7,2% mai precis decât pentru Double U-Net și, respectiv, BtryflyNet. Acest lucru a îmbunătățit problema regiunilor întunecate sau zgomotoase în segmentarea imaginii.

Lucrările viitoare constă în principal din două părți. În primul rând, ne propunem să aplicăm modelul nostru la diferite recunoașteri de leziuni ale bolii care necesită imagini medicale cu două fețe, cum ar fi metastazele osoase și genunchii. În continuare, intenționăm să dezvoltăm o arhitectură de rețea care să poată integra imagini cu mai multe unghiuri care depășesc domeniul actual al imaginilor cu două fețe. Acest lucru ar permite crearea unui model cu mai multe vederi pentru a simula viziunea stereoscopică. Prin valorificarea informațiilor de profunzime capturate din diferite unghiuri, eficiența modelului poate fi îmbunătățită și mai mult.

Acest progres ar facilita colectarea și pregătirea unor seturi de date mai variate și ar crește aplicabilitatea abordării propuse la o gamă mai largă de domenii.

Contribuții ale autorului:Metodologie, C.-LC, C.-YL, Y.-ML, S.-WC și AKS; Software, J.-CL, C.-YL, Y.-ML și S.-WC; Validare, J.-CL, C.-YL și AKS; Analiza formală, Y.-ML; Redactare— schiță originală, T.-YS, TC și P.-CH; Supraveghere, T.-YS, TC și P.-CH; Administrarea proiectului, C.-LC Toți autorii au citit și au fost de acord cu versiunea publicată a manuscrisului.

Finanțarea:Această cercetare nu a primit finanțare externă.

Declarația Comisiei de revizuire instituțională:Nu se aplică.

Declarație de consimțământ informat:Nu se aplică.

Declarație de disponibilitate a datelor:Toate seturile de date utilizate în această lucrare sunt disponibile publicului.

Conflicte de interes:Autorii nu declară niciun conflict de interese.

Referințe

1. Tariq, RA; Vasisht, R.; Sinha, A.; Scherbak, Y. Erori de eliberare a medicamentelor și prevenire; StatPearls: Treasure Island, FL, SUA, 2020.

2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Rețele convoluționale pentru segmentarea imaginilor biomedicale. În Proceedings of the 18th International Conference, MICCAI, München, Germania, 5–9 octombrie 2015; p. 234–241.

3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: O rețea neuronală convoluțională profundă pentru segmentarea imaginilor medicale. În Proceedings of the IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), Rochester, MN, SUA, 28-30 iulie 2020; p. 558–564.

4. Chin, CL; Chang, CL; Liu, YC; Lin, YL Segmentarea automată și măsurarea indicatorilor a corzilor vocale și a glotalei în imaginile de endoscopie laringiană folosind Mask R-CNN. Biomed. ing. Aplic. Baza comun. 2021, 33, 2150027.

5. Płudowski, J.; Mulawka, J. Machine Learning în recunoașterea patologiilor pulmonare de bază. Aplic. Sci. 2022, 12, 8086. [CrossRef]

6. Rajaraman, S.; Guo, P.; Xue, Z.; Antani, SK Un ansamblu profund specific modalității pentru îmbunătățirea detectării pneumoniei în radiografiile toracice. Diagnostice 2022, 12, 1442. [CrossRef] [PubMed]

7. Granata, V.; Fusco, R.; Costa, M.; Picone, C.; Cozzi, D.; Moroni, C.; Petrillo, A. Raport preliminar asupra caracteristicilor radionicei tomografiei computerizate ca biomarkeri la selecția imunoterapiei la pacienții cu adenocarcinom pulmonar. 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. Pneumotorax: de la definiție la diagnostic și tratament. J. Thorac. Dis. 2014, 6 (Supl. S4), S372–S376. [PubMed]

9. Zhang, R.; Yang, F.; Luo, Y.; Liu, J.; Li, J.; Wang, C. Atenție ghidată de mască parțial conștientă pentru clasificarea bolilor de torace. Entropie 2021, 23, 653. [CrossRef] [PubMed]

10. Yang, F.; Lu, PX; Deng, M.; Wang, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Adnotări ale anomaliilor pulmonare în setul de date pentru radiografia toracică din Shenzhen pentru screeningul asistat de computer al bolilor pulmonare. Date 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, culescu, AA; Ancus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL O nouă metodă de procesare a imaginilor pulmonare folosind rețele complexe. Tomografie 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Detectarea pneumoniei pe imagini cu raze X toracice folosind un ansamblu de rețele neuronale convoluționale profunde. Aplic. Sci. 2022, 12, 6448. [CrossRef]

13. Khishe, M.; Caraffini, F.; Kuhn, S. Evoluția rețelelor neuronale convoluționale de învățare profundă pentru detectarea precoce a COVID-19 în imaginile cu raze X toracice. Matematică 2021, 9, 1002. [CrossRef]

14. Cao, F.; Zhao, H. Algoritm automat de segmentare a plămânilor pe imagini cu raze X toracice bazat pe autocoder variațional de fuziune și mecanism de atenție cu trei terminale. Symmetry 2021, 13, 814. [CrossRef]

15. Alharithi, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Bouguila, N. Abordare discriminativă de învățare bazată pe model de amestec flexibil pentru clasificarea și recunoașterea datelor medicale. Senzori 2021, 21, 2450. [CrossRef] [PubMed]

16. Rajaraman, S.; Folio, LR; Dimperio, J.; Alderson, PO; Antani, SK Segmentare semantică îmbunătățită a tuberculozei - Constatări consistente în radiografiile toracice folosind antrenamentul augmentat a modelelor u-net specifice modalității cu localizari slabe. Diagnostice 2021, 11, 616. [CrossRef] [PubMed]

17. Shakeri, A.; Konstantelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. Tendințe globale de utilizare a antiviralelor cu acțiune directă (DAA) în timpul pandemiei COVID-19: o analiză de serie cronologică. Viruși 2021, 13, 1314. [CrossRef] [PubMed]

18. Ellis, R.; Hay-David, AGC; Brennan, PA Funcționează în timpul pandemiei de COVID-19: Cum se reduce erorile medicale. Br. J. Maxilofac oral. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ou, YY; Tsai, AC; Zhou, XP; Wang, JF Detectarea automată a pastilelor de droguri bazată pe rețele piramidale îmbunătățite și rețele neuronale de convoluție. IET Comput. Vis. 2020, 14, 9–17. [CrossRef]

20. Wondmieneh, A.; Alemu, W.; Tadele, N.; Demis, A. Erori de administrare a medicamentelor și factori contributivi în rândul asistenților medicali: un studiu transversal în spitalele terțiare, Addis Abeba, Etiopia. BMC Nurs. 2020, 19, 4. [CrossRef] [PubMed]

21. Wang, Y.; Ribera, J.; Liu, C.; Yarlagadda, S.; Zhu, F. Recunoașterea pilulelor folosind date minime etichetate. În Proceedings of the 2017 IEEE Third International Conference on Multimedia Big Data (BigMM), Laguna Hills, CA, SUA, 19–21 aprilie 2017; p. 346–353.

22. Kwon, HJ; Kim, HG; Lee, SH Model de detectare a pilulelor pentru inspecția medicamentelor bazat pe învățarea profundă. Chemosensors 2022, 10, 4. [CrossRef]

23. Tan, L.; Huangfu, T.; Wu, L.; Chen, W. Comparație între YOLO v3, Faster R-CNN și SSD pentru identificarea pastilelor în timp real.

24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS Spatio-Temporal Vegetation Pixel Clasificare prin utilizarea rețelelor convoluționale. IEEE Geosci. Senzori de la distanță Lett. 2019, 16, 1665–1669. [CrossRef]

25. Shimizu, A.; Wakabayashi, H.; Kanamori, T.; Saito, A.; Nishikawa, K.; Daisaki, H.; Higashiyama, S.; Kawabe, J. Măsurarea automată a indicelui de scanare osoasă dintr-o scintigramă osoasă a întregului corp. Int. J. Comput. Asista. Radiol. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]

26. Setul de date pentru radiografie toracică NIH. Disponibil online: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (accesat la 2 mai 2023).

27. Cubuk, ED; Zoph, B.; Shlens, J.; Le, QV Randaugment: Mărirea automată practică a datelor cu un spațiu de căutare redus. În Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, Seattle, WA, SUA, 14-19 iunie 2020; p. 702–703.

28. Adnotator de imagine VGG. Disponibil online: https://www.robots.ox.ac.uk/vgg/software/via/ (accesat pe 26 septembrie 2022).

Disclaimer/Nota editorului:Declarațiile, opiniile și datele conținute în toate publicațiile sunt exclusiv ale autorilor și colaboratorilor individuali și nu ale MDPI și/sau ale editorilor. MDPI și/sau editorii își declină responsabilitatea pentru orice vătămare a persoanelor sau proprietății care rezultă din orice idei, metode, instrucțiuni sau produse la care se face referire în conținut.

【Pentru mai multe informații:george.deng@wecistanche.com / WhatsApp:8613632399501】