Багаторазове навчання нейронних мереж для автоматичної сегментації області хребта
DOI:
https://doi.org/10.26565/2304-6201-2024-62-04Ключові слова:
штучний інтелект, машинне навчання, розпізнавання зображень, нейронна мережа, ансамбль нейронних мереж, морфометріяАнотація
Актуальність. Профілактичні та діагностичні дослідження наявності кісткових захворювань, потребують морфометричних досліджень рентгенівських знімків відділу грудної клітини. В теперішній час для розв’язування таких задач все частіше використовують методи штучного інтелекту. Зокрема в цій роботі досліджена можливість застосування штучного інтелекту при сегментації медичних зображень з ціллю автоматичного діагностування захворювань кісткової системи людини. Основні труднощі цієї задачі пов’язані з тим, що реальні рентгенівські зображення мають граничні характеристики якості, наприклад, за параметром відношення сигналу до шуму або контрасту. З цієї причини застосування стандартних методів розпізнавання зображень або автоматичної діагностики стає неможливим. Ці труднощі привели до того, що в теперішній час існує достатньо велика кількість робіт в цій галузі, але результати більшості з них демонструють недостатні для практичного використання результати. Наведена в цій роботі оригінальна методика використання ансамблю нейронних мереж дозволила узагальнити здобуті дотепер результати та поєднати переваги інших підходів.
Мета. Дослідити можливість використання штучного інтелекту в сегментації медичних зображень з метою автоматичної діагностики захворювань кісткової системи людини.
Методи дослідження. У даному досліджені використовувався ансамблевий метод сегментації рентгенівських зображень. Основу навчальних даних було створено на базі рентгенівських знімків узятих з відкритих джерел. Всього кількість зображень становила 183 знімків. Початкові дані було модифіковано згідно з вимогами необхідними для навчання моделей. Всі зображення були переведені до градації сірого та змінені до розмірів 256х256 пікселів.
Результати. Завдяки використанню цього методу в двох тестових випадках було отримано покращення точності з 0,543 до 0,820 для першого знімку та з 0,725 до 0,923 для другого знімку.
Висновки. Було запропоновано і досліджено застосування методики використання ансамблю нейронних мереж, що багаторазово навчаються, для автоматичної сегментації певної області хребта, а саме ділянки хребта Th8-Th11.Застосування цього методу дозволило отримати більш стабільні та точні передбачення для шуканих ділянок хребта, навіть для знімків з високим рівнем шуму.
Посилання
G. Guglielmi, D. Diacinti, C. van Kuijk, F. Aparisi, C. Krestan, J. E. Adams, and T. M. Link, "Vertebral morphometric: current methods and recent advances," European Radiology, p. 14, 2008. https://link.springer.com/article/10.1007/s00330-008-0899-8?error=cookies_not_supported&code=d445f129-d830-4a13-9590-5989bcf5141c
S. Li and J. Yao, Spinal Imaging and Image Analysis, vol. 18, p. 507, 2015. https://link.springer.com/book/10.1007/978-3-319-12508-4
S. Ebrahimi, L. Gajny, W. Skalli, and E. Angelini, "Vertebral corners detection on sagittal X-rays based on shape modelling, random forest classifiers and dedicated visual features," Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, vol. 7, no. 2, pp. 132-144, 2018. https://hal.science/hal-02181802/file/IBHGC_CMBBEIV_2018_Ebrahimi.pdf
L. R. Long and G. R. Thoma, "Segmentation and feature extraction of cervical spine x-ray images," in Proc. SPIE 3661, Medical Imaging 1999: Image Processing, May 1999. https://ui.adsabs.harvard.edu/abs/1999SPIE.3661.1037L/abstract
O. Ronneberger, P. Fischer, and T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation," 2015. https://arxiv.org/abs/1505.04597
S. M. M. R. Al Arif, "Fully automatic image analysis framework for cervical vertebra in X-ray images," Doctoral thesis, City, University of London, 2018. https://pubmed.ncbi.nlm.nih.gov/29477438/
K. C. Kim, H. C. Cho, T. J. Jang, J. M. Choi, and J. K. Seo, "Automatic detection and segmentation of lumbar vertebrae from X-ray images for compression fracture evaluation," arXiv:1904.07624v1 [physics.med-ph], Apr. 2019. https://arxiv.org/abs/1904.07624
Y. Chen, Y. Mo, A. Readie, G. Ligozio, T. Coroller, and B. W. Papie, "VertXNet: Automatic Segmentation and Identification of Lumbar and Cervical Vertebrae from Spinal X-ray Images," arXiv:2207.05476v1 [eess.IV], Jul. 2022. https://arxiv.org/abs/2207.05476
L. R. Dice, "Measures of the amount of ecologic association between species," Ecology, p. 297-302, 1945. https://esajournals.onlinelibrary.wiley.com/doi/10.2307/1932409
"Vindr.ai Datasets: SpineXR." [Online]. Available: https://vindr.ai/datasets/spinexr. [Accessed: 16-Jun-2024].
