DBNet mờ mới lạ để phân đoạn hình ảnh y tế Phần 2

3.4. Phân đoạn hình ảnh viên thuốc

DBNet mờ hoạt động tốt trong số các bộ dữ liệu thuốc. Để xác minh thêm tính khái quát của mô hình, chúng tôi cũng đã tiến hành thử nghiệm trên tập dữ liệu về phổi. Hình 8 cho thấy sự mất xác nhận.

Cistanche có thể hoạt động như một chất chống mệt mỏi và tăng cường sức chịu đựng, và các nghiên cứu thực nghiệm đã chỉ ra rằng thuốc sắc của Cistanche tubulosa có thể bảo vệ hiệu quả các tế bào gan và tế bào nội mô bị tổn thương ở chuột bơi lội chịu trọng lượng, điều chỉnh tăng biểu hiện của NOS3 và thúc đẩy glycogen ở gan tổng hợp, do đó có tác dụng chống mệt mỏi. Chiết xuất Cistanche tubulosa giàu phenylethane glycoside có thể làm giảm đáng kể nồng độ creatine kinase, lactate dehydrogenase và lactate trong huyết thanh, đồng thời làm tăng nồng độ hemoglobin (HB) và glucose ở chuột ICR, và điều này có thể đóng vai trò chống mệt mỏi bằng cách giảm tổn thương cơ. và trì hoãn việc làm giàu axit lactic để dự trữ năng lượng ở chuột. Viên nén Cistanche Tubulosa kéo dài đáng kể thời gian bơi lội chịu trọng lượng, tăng dự trữ glycogen ở gan và giảm nồng độ urê huyết thanh sau khi tập thể dục ở chuột, cho thấy tác dụng chống mệt mỏi của nó. Thuốc sắc của Cistanchis có thể cải thiện sức bền và đẩy nhanh quá trình loại bỏ mệt mỏi ở chuột tập thể dục, đồng thời cũng có thể làm giảm độ cao của creatine kinase trong huyết thanh sau khi tập thể dục nặng và giữ cho siêu cấu trúc cơ xương của chuột bình thường sau khi tập thể dục, điều này cho thấy rằng nó có tác dụng tăng cường sức mạnh thể chất và chống mệt mỏi. Cistanchis cũng kéo dài đáng kể thời gian sống sót của chuột bị nhiễm độc nitrit và tăng cường khả năng chống lại tình trạng thiếu oxy và mệt mỏi.

Trên tập dữ liệu viên thuốc, chúng tôi đã chọn một nhóm hình ảnh để kiểm tra mô hình. Bộ này chứa sáu hình ảnh: hình ảnh thô từ trên xuống dưới và từ dưới lên trên và các hình ảnh thực tế cơ bản tương ứng và kết quả được phân đoạn. Những hình ảnh này được thể hiện trong Hình 9.

Để đánh giá hiệu suất của mô hình đề xuất, chúng tôi đã so sánh kết quả đầu ra của Fuzzy DBNet và độ chính xác cơ bản của nó trên tập dữ liệu thử nghiệm bằng cách sử dụng hệ số Dice trung bình, mIoU và độ chính xác theo pixel. Kết quả được thể hiện ở Bảng 3.

Chúng tôi đã chọn hai bộ hình ảnh từ kết quả phân đoạn tập dữ liệu thử nghiệm thuốc làm ví dụ. Trong Hình 10, hiệu suất phân đoạn của BtrflyNet kém hơn. Mặt khác, khi DoubleU-Net nhận dạng các viên thuốc không có văn bản, nó dễ xảy ra lỗi phân loại. Hình 11 cho thấy các trường hợp thử nghiệm cố tình nhập hình ảnh sai, trong đó hình ảnh của viên thuốc được chụp ở các góc khác nhau thay vì nhìn từ phía trước và phía sau. Điều này không chỉ dẫn đến hiệu suất phân loại kém của DoubleU-Net mà còn làm giảm độ chính xác phân loại cho mô hình của chúng tôi và BtrflyNet vì chúng bị ảnh hưởng bởi các tính năng thuốc bị đặt sai vị trí.

4. Thảo luận

Chúng tôi đã so sánh hiệu suất của phương pháp được đề xuất với phương pháp của BtrflyNet trên bộ dữ liệu về thuốc và phổi và chứng minh rằng phương pháp của chúng tôi đạt được kết quả phân đoạn tốt hơn.

Tham khảo Hình 6, 7 và 10, có thể thấy rằng mô hình của chúng tôi đã được huấn luyện bằng cách tích hợp các hình ảnh hai mặt. Mô hình của chúng tôi đạt được phân đoạn hoàn chỉnh hơn và có độ chính xác phân loại cao hơn so với các mô hình khác. Ngược lại, mô hình của chúng tôi cũng có những hạn chế. Ví dụ, như trong Hình 11, nó thiếu ưu điểm trong các hình ảnh không có hai mặt hoặc hình ảnh hai mặt với các vị trí không được căn chỉnh và nó có xu hướng phân loại sai các đối tượng được phân đoạn. Từ hai trường hợp này, người ta suy ra rằng mô hình đã kết hợp các đặc điểm quan trọng từ cả hai phía của hình ảnh đầu vào trong quá trình huấn luyện. Do đó, hai hình ảnh đầu vào của cùng một đối tượng mục tiêu phải chồng lên nhau nhiều nhất có thể để tận dụng tối đa các ưu điểm của mô hình của chúng tôi.

Bấm vào kiệt sức

【Để biết thêm thông tin:george.deng@wecistanche.com / WhatsApp:8613632399501】

Trong bộ dữ liệu X-quang phổi, mô hình của chúng tôi vượt trội hơn BtrflyNet về độ chính xác phân đoạn. Do sự kết hợp của ASPP mờ và sử dụng hình ảnh hai mặt làm đầu vào, mô hình của chúng tôi đã tạo ra các phân đoạn phổi hoàn chỉnh hơn ngay cả đối với các hình ảnh mờ, so với DoubleU-Net.

Trong tập dữ liệu thuốc, mô hình của chúng tôi vượt trội hơn cả BtrflyNet và DoubleU-Net về độ chính xác phân đoạn và độ chính xác phân loại, đặc biệt khi có văn bản ở mặt sau của thuốc. Bằng cách tận dụng các đặc điểm từ hình ảnh mặt sau, phương pháp đề xuất của chúng tôi đã đạt được sự phân loại chính xác.

Sau khi tham khảo ý kiến ​​của các trung tâm y tế, chúng tôi được biết rằng nhiều tình trạng bệnh lý cần thông tin từ hình ảnh y tế hai mặt để chẩn đoán chính xác. Ví dụ, các bác sĩ thường sử dụng chế độ xem AP và PA từ quá trình quét xương bằng hạt nhân phóng xạ để chẩn đoán các tổn thương di căn, cũng như hình ảnh từ các góc độ khác nhau trong dữ liệu X-quang đầu gối để chẩn đoán bệnh viêm khớp. Đồng thời, dựa trên phân tích đã nói ở trên, có thể suy ra rằng mô hình của chúng tôi có thể đạt được kết quả vượt trội khi áp dụng cho các bộ dữ liệu chứa loại hình ảnh hai mặt này.

Nhìn chung, như được hiển thị trong Bảng 4, phương pháp được đề xuất của chúng tôi đã đạt được điểm mIoU, hệ số xúc xắc và độ chính xác theo pixel cao hơn so với BtrflyNet và DoubleU-Net. Những kết quả này chứng minh rằng phương pháp đề xuất của chúng tôi đã cải thiện độ chính xác của phân đoạn hình ảnh từ hình ảnh hai mặt.

5. Kết Luận

Trong bài báo này, chúng tôi đã đề xuất Fuzzy DBNet, sử dụng hai hình ảnh đầu vào để giải quyết vấn đề một mặt của đối tượng bị mờ hoặc không đầy đủ. Mô hình đề xuất của chúng tôi đã đạt được độ chính xác theo pixel là 92,8% trên tập dữ liệu thuốc, chính xác hơn 10,4% so với Double U-Net và 6,9% so với BtryflyNet, giải quyết hiệu quả vấn đề văn bản không nhất quán trên cả hai mặt của thuốc không thể được phân loại chính xác dựa trên một hình ảnh duy nhất. Trên tập dữ liệu X-quang ngực, độ chính xác theo pixel đạt 96,9%, chính xác hơn lần lượt là 2,8 và 7,2% so với Double U-Net và BtryflyNet. Điều này đã cải thiện vấn đề vùng bị che khuất hoặc nhiễu trong phân đoạn hình ảnh.

Công việc trong tương lai chủ yếu bao gồm hai phần. Đầu tiên, chúng tôi mong muốn áp dụng mô hình của mình để nhận dạng các tổn thương bệnh khác nhau đòi hỏi hình ảnh y tế hai mặt, chẳng hạn như di căn xương và đầu gối. Tiếp theo đó, chúng tôi dự định phát triển kiến ​​trúc mạng có thể tích hợp hình ảnh nhiều góc vượt xa phạm vi hình ảnh hai mặt hiện tại. Điều này sẽ cho phép tạo ra một mô hình nhiều góc nhìn để mô phỏng tầm nhìn lập thể. Bằng cách tận dụng thông tin chuyên sâu được thu thập từ các góc độ khác nhau, hiệu quả của mô hình có thể được nâng cao hơn nữa.

Sự tiến bộ này sẽ tạo điều kiện thuận lợi cho việc thu thập và chuẩn bị các bộ dữ liệu đa dạng hơn và tăng khả năng ứng dụng của phương pháp đề xuất vào nhiều lĩnh vực hơn.

Sự đóng góp của tác giả:Phương pháp luận, C.-LC, C.-YL, Y.-ML, S.-WC và AKS; Phần mềm, J.-CL, C.-YL, Y.-ML và S.-WC; Xác thực, J.-CL, C.-YL và AKS; Phân tích chính thức, Y.-ML; Viết— bản thảo gốc, T.-YS, TC và P.-CH; Giám sát, T.-YS, TC và P.-CH; Quản lý dự án, C.-LC Tất cả các tác giả đã đọc và đồng ý với phiên bản đã xuất bản của bản thảo.

Kinh phí:Nghiên cứu này không nhận được tài trợ từ bên ngoài.

Tuyên bố của Ban Đánh giá Thể chế:Không áp dụng được.

Tuyên bố đồng ý sau khi được thông báo:Không áp dụng được.

Tuyên bố về tính sẵn có của dữ liệu:Tất cả các bộ dữ liệu được sử dụng trong bài viết này đều có sẵn công khai.

Xung đột lợi ích:Các tác giả tuyên bố không có xung đột lợi ích.

Người giới thiệu

1. Tariq, RA; Vashisht, R.; Sinha, A.; Scherbak, Y. Lỗi và cách phòng ngừa khi phân phối thuốc; StatPearls: Đảo kho báu, FL, Hoa Kỳ, 2020.

2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Mạng tích chập để phân đoạn hình ảnh y sinh. Trong Kỷ yếu của Hội nghị Quốc tế lần thứ 18, MICCAI, Munich, Đức, ngày 5–9 tháng 10 năm 2015; trang 234–241.

3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: Mạng lưới thần kinh tích chập sâu để phân đoạn hình ảnh y tế. Trong Kỷ yếu của Hội nghị chuyên đề quốc tế lần thứ 33 của IEEE về Hệ thống y tế dựa trên máy tính (CBMS), Rochester, MN, Hoa Kỳ, ngày 28–30 tháng 7 năm 2020; trang 558–564.

4. Cằm, CL; Chang, CL; Lưu, YC; Lin, YL Tự động phân đoạn và đo các chỉ số của nếp gấp thanh quản và thanh môn trong hình ảnh nội soi thanh quản bằng Mask R-CNN. Sinh học. Anh. ứng dụng. Cộng đồng cơ sở. 2021, 33, 2150027.

5. Płudowski, J.; Mulawka, J. Học máy trong việc nhận biết các bệnh lý phổi cơ bản. ứng dụng. Khoa học. 2022, 12, 8086. [Tham khảo chéo]

6. Rajaraman, S.; Quách, P.; Xue, Z.; Antani, SK Một tập hợp cụ thể theo phương thức sâu để cải thiện khả năng phát hiện viêm phổi trong chụp X-quang ngực. Chẩn đoán 2022, 12, 1442. [CrossRef] [PubMed]

7. Granata, V.; Fusco, R.; Costa, M.; Picone, C.; Cozzi, D.; Mô Rô Ni, C.; Petrillo, A. Báo cáo sơ bộ về tính năng chụp cắt lớp vi tính X quang như dấu ấn sinh học để lựa chọn liệu pháp miễn dịch ở bệnh nhân ung thư biểu mô tuyến phổi. Ung thư 2021, 13, 3992. [CrossRef] [PubMed]

8. Zarogoulidis, P.; Kioumis, tôi.; Pitsiou, G.; Porpodis, K.; Lampaki, S.; Papaiwannou, A.; Katsikogiannis, N.; Zaric, B.; Branislav, P.; Secen, N.; et al. Tràn khí màng phổi: Từ định nghĩa đến chẩn đoán và điều trị. J. Thorac. Dis. 2014, 6 (Phụ lục S4), S372–S376. [PubMed]

9. Trương, R.; Dương, F.; Lạc, Y.; Lưu, J.; Lý, J.; Wang, C. Chú ý hướng dẫn sử dụng mặt nạ nhận biết từng phần để phân loại bệnh lồng ngực. Entropy 2021, 23, 653. [CrossRef] [PubMed]

10. Yang, F.; Lữ, PX; Đặng, M.; Vương, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Chú thích về các bất thường của phổi trong Bộ dữ liệu X-quang ngực Thâm Quyến để sàng lọc các bệnh về phổi có sự hỗ trợ của máy tính. Dữ liệu 2022, 7, 95. [CrossRef] [PubMed]

11. Broască, L.; Trus, culescu, AA; Ancus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL Một phương pháp mới để xử lý hình ảnh phổi bằng mạng phức tạp. Chụp cắt lớp 2022, 8, 1928–1946. [CrossRef] [PubMed]

12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Phát hiện bệnh viêm phổi trên hình ảnh chụp X-quang ngực bằng cách sử dụng tập hợp các mạng lưới thần kinh chuyển đổi sâu. ứng dụng. Khoa học. 2022, 12, 6448. [Tham khảo chéo]

13. Khishe, M.; Caraffini, F.; Kuhn, S. Phát triển mạng lưới thần kinh tích chập học sâu để phát hiện sớm COVID-19 trong hình ảnh X-quang ngực. Toán 2021, 9, 1002. [Tham khảo chéo]

14. Cao, F.; Zhao, H. Thuật toán phân đoạn phổi tự động trên hình ảnh X-quang ngực dựa trên bộ mã hóa tự động biến thiên tổng hợp và cơ chế chú ý ba đầu cuối. Đối xứng 2021, 13, 814. [Tham khảo chéo]

15. Alharithi, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Boguila, N. Phương pháp học tập phân biệt dựa trên mô hình hỗn hợp linh hoạt để phân loại và nhận dạng dữ liệu y tế. Cảm biến 2021, 21, 2450. [CrossRef] [PubMed]

16. Rajaraman, S.; Folio, LR; Dimperio, J.; Alderson, PO; Antani, SK Cải thiện phân đoạn ngữ nghĩa của bệnh lao—Các phát hiện nhất quán trong chụp X-quang ngực bằng cách sử dụng đào tạo tăng cường các mô hình u-net dành riêng cho phương thức với khả năng định vị yếu. Chẩn đoán 2021, 11, 616. [CrossRef] [PubMed]

17. Shakeri, A.; Konstantelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. Xu hướng sử dụng toàn cầu của thuốc kháng vi-rút tác dụng trực tiếp (DAA) trong Đại dịch COVID-19: Phân tích chuỗi thời gian. Virus 2021, 13, 1314. [CrossRef] [PubMed]

18. Ellis, R.; Hay-David, AGC; Brennan, PA Hoạt động trong đại dịch COVID-19: Cách giảm thiểu sai sót y tế. Anh. J. Maxillofac uống. Phẫu thuật. 2020, 58, 577–580. [CrossRef] [PubMed]

19. Ờ, YY; Tsai, AC; Chu, XP; Wang, JF Tự động phát hiện thuốc ma túy dựa trên mạng lưới kim tự tháp tính năng nâng cao và mạng lưới thần kinh tích chập. Máy tính IET. Vis. 2020, 14, 9–17. [Tham khảo chéo]

20. Wondmieneh, A.; Alemu, W.; Tadele, N.; Demis, A. Sai sót trong quản lý thuốc và các yếu tố góp phần ở y tá: Một nghiên cứu cắt ngang tại các bệnh viện cấp ba, Addis Ababa, Ethiopia. Y tá BMC. 2020, 19, 4. [CrossRef] [PubMed]

21. Vương, Y.; Ribera, J.; Lưu, C.; Yarlagadda, S.; Zhu, F. Nhận dạng viên thuốc bằng cách sử dụng dữ liệu được dán nhãn tối thiểu. Trong Kỷ yếu của Hội nghị quốc tế lần thứ ba của IEEE về Dữ liệu lớn đa phương tiện (BigMM) năm 2017, Laguna Hills, CA, Hoa Kỳ, ngày 19–21 tháng 4 năm 2017; trang 346–353.

22. Kwon, HJ; Kim, HG; Lee, Mô hình phát hiện thuốc SH để kiểm tra thuốc dựa trên học sâu. Cảm biến hóa học 2022, 10, 4. [CrossRef]

23.Tân, L.; Hoàng Phủ, T.; Ngô, L.; Chen, W. So sánh YOLO v3, R-CNN nhanh hơn và SSD để nhận dạng thuốc theo thời gian thực.

24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS Phân loại pixel thảm thực vật theo thời gian bằng cách sử dụng Mạng tích chập. IEEE Geosci. Điều khiển từ xa Lett. 2019, 16, 1665–1669. [Tham khảo chéo]

25. Shimizu, A.; Wakabayashi, H.; Kanamori, T.; Saito, A.; Nishikawa, K.; Daisaki, H.; Higashiyama, S.; Kawabe, J. Đo tự động chỉ số quét xương từ biểu đồ xương toàn cơ thể. Int. J. Máy tính. Hỗ trợ. Radiol. Phẫu thuật. 2020, 15, 389–400. [CrossRef] [PubMed]

26. Bộ dữ liệu X-quang ngực NIH. Có sẵn trực tuyến: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (truy cập vào ngày 2 tháng 5 năm 2023).

27. Cubuk, ED; Zoph, B.; Shlens, J.; Lê, QV Randaugment: Tăng cường dữ liệu tự động thực tế với không gian tìm kiếm được giảm bớt. Trong Kỷ yếu của Hội nghị IEEE/CVF về Hội thảo Nhận dạng Mẫu và Thị giác Máy tính, Seattle, WA, Hoa Kỳ, ngày 14–19 tháng 6 năm 2020; trang 702–703.

28. Trình chú thích hình ảnh VGG. Có sẵn trực tuyến: https://www.robots.ox.ac.uk/vgg/software/via/ (truy cập vào ngày 26 tháng 9 năm 2022).

Tuyên bố miễn trừ trách nhiệm/Lưu ý của nhà xuất bản:Các tuyên bố, ý kiến ​​và dữ liệu trong tất cả các ấn phẩm chỉ là của (các) tác giả và (các) cộng tác viên chứ không phải của MDPI và/hoặc (các) biên tập viên. MDPI và/hoặc (các) biên tập viên từ chối trách nhiệm đối với mọi thương tích đối với người hoặc tài sản do bất kỳ ý tưởng, phương pháp, hướng dẫn hoặc sản phẩm nào được đề cập trong nội dung.

【Để biết thêm thông tin:george.deng@wecistanche.com / WhatsApp:8613632399501】