رواية DBNet غامضة لتجزئة الصور الطبية، الجزء 2

3.4. تجزئة صور حبوب منع الحمل

كان أداء Fuzzy DBNet جيدًا بين مجموعات بيانات الحبوب. وللتحقق من تعميم النموذج بشكل أكبر، أجرينا أيضًا تجارب على مجموعة بيانات الرئة. ويبين الشكل 8 خسارة التحقق من الصحة.

يمكن أن يعمل Cistanche كمضاد للتعب ومعزز للقدرة على التحمل، وقد أظهرت الدراسات التجريبية أن مغلي Cistanche tubulosa يمكن أن يحمي بشكل فعال خلايا الكبد والخلايا البطانية التالفة في الفئران الحاملة للوزن، وينظم التعبير عن NOS3، ويعزز الجليكوجين الكبدي. التوليف، وبالتالي ممارسة فعالية مضادة للتعب. يمكن لمستخلص Cistanche tubulosa الغني بالفينيليثانويد أن يقلل بشكل كبير من مستويات الكرياتين كيناز في الدم، ونازعة هيدروجين اللاكتات، ومستويات اللاكتات، ويزيد من مستويات الهيموجلوبين (HB) والجلوكوز في الفئران ICR، وهذا يمكن أن يلعب دورًا مضادًا للإرهاق عن طريق تقليل تلف العضلات. وتأخير تخصيب حامض اللبنيك لتخزين الطاقة في الفئران. تعمل أقراص Cistanche Tubulosa على إطالة وقت السباحة مع تحمل الوزن بشكل ملحوظ، وزيادة احتياطي الجليكوجين الكبدي، وانخفاض مستوى اليوريا في الدم بعد التمرين في الفئران، مما يظهر تأثيره المضاد للتعب. يمكن لمغلي Cistanchis تحسين القدرة على التحمل وتسريع القضاء على التعب في ممارسة الفئران، ويمكن أيضًا أن يقلل من ارتفاع كيناز الكرياتين في الدم بعد تمرين التحميل والحفاظ على البنية التحتية للعضلات الهيكلية للفئران طبيعية بعد التمرين، مما يشير إلى أن له تأثيرات. لتعزيز القوة البدنية ومكافحة التعب. كما أدى Cistanchis أيضًا إلى إطالة فترة بقاء الفئران المسمومة بالنتريت بشكل ملحوظ وعزز القدرة على التحمل ضد نقص الأكسجة والتعب.

في مجموعة بيانات حبوب منع الحمل، اخترنا مجموعة من الصور لاختبار النموذج. تحتوي هذه المجموعة على ست صور: صور أولية من أعلى إلى أسفل ومن أسفل إلى أعلى وصور الحقيقة الأرضية المقابلة والنتائج المجزأة. وتظهر هذه الصور في الشكل 9.

لتقييم أداء نموذجنا المقترح، قمنا بمقارنة مخرجات Fuzzy DBNet وحقيقتها الأساسية في مجموعة بيانات الاختبار باستخدام متوسط ​​معامل النرد، وmIoU، ودقة البكسل. وتظهر النتائج في الجدول 3.

لقد اخترنا مجموعتين من الصور من نتائج تجزئة مجموعة بيانات اختبار حبوب منع الحمل كأمثلة. في الشكل 10، كان أداء تجزئة BtrflyNet أقل شأنا. من ناحية أخرى، عندما تعرفت DoubleU-Net على الأقراص التي لا تحتوي على نص، كانت عرضة لأخطاء التصنيف. يوضح الشكل 11 حالات اختبار تحتوي على مدخلات صور غير صحيحة عن عمد، حيث تم التقاط صور الحبوب بزوايا مختلفة بدلاً من العرض الأمامي والخلفي. لم يؤد هذا إلى ضعف أداء التصنيف لـ DoubleU-Net فحسب، بل أدى أيضًا إلى انخفاض دقة التصنيف لنموذجنا وBtrflyNet لأنهما تأثرا بميزات الدواء في غير محلها.

4. مناقشة

قمنا بمقارنة أداء طريقتنا المقترحة بأداء BtrflyNet على مجموعات بيانات حبوب منع الحمل والرئة وأظهرنا أن نهجنا حقق نتائج تجزئة أفضل.

بالإشارة إلى الأشكال 6 و7 و10، يمكن ملاحظة أن نموذجنا قد تم تدريبه من خلال دمج الصور ذات الوجهين. حقق نموذجنا تجزئة أكثر اكتمالا وكان يتمتع بدقة تصنيف أعلى مقارنة بالنماذج الأخرى. وعلى العكس من ذلك، كان لنموذجنا أيضًا قيود. على سبيل المثال، كما هو موضح في الشكل 11، كانت تفتقر إلى المزايا في الصور غير ثنائية الجوانب أو الصور ثنائية الجوانب ذات المواضع المنحرفة، وكانت عرضة لإساءة تصنيف الكائنات المجزأة. ومن هاتين الحالتين تم استنتاج أن النموذج يجمع بين ميزات مهمة من جانبي الصور المدخلة أثناء التدريب. لذلك، يجب أن تتداخل صورتان مدخلتان لنفس الكائن المستهدف قدر الإمكان للاستفادة من مزايا نموذجنا بشكل كامل.

انقر على استنفدت

【لمزيد من المعلومات:george.deng@wecistanche.com / واتساب:8613632399501】

في مجموعة بيانات الأشعة السينية للرئة، تفوق نموذجنا على BtrflyNet في دقة التجزئة. نظرًا لدمج ASPP الغامض واستخدام الصور ذات الجوانب المزدوجة كمدخلات، أنتج نموذجنا تجزئة أكثر اكتمالًا للرئة حتى بالنسبة للصور الباهتة، مقارنةً بـ DoubleU-Net.

في مجموعة بيانات الأقراص، تفوق نموذجنا في الأداء على كل من BtrflyNet وDoubleU-Net في دقة التجزئة ودقة التصنيف، لا سيما عندما يكون النص الموجود على الجزء الخلفي من الأقراص موجودًا. ومن خلال الاستفادة من الميزات الموجودة في الصور الخلفية، حققت طريقتنا المقترحة تصنيفًا دقيقًا.

وبعد التشاور مع المراكز الطبية، علمنا أن العديد من الحالات المرضية تتطلب معلومات من التصوير الطبي المزدوج للحصول على تشخيص دقيق. على سبيل المثال، يستخدم الأطباء عادةً طرق عرض AP وPA من مسح العظام بالنويدات المشعة لتشخيص الآفات النقيلية، بالإضافة إلى صور من وجهات نظر مختلفة في بيانات الأشعة السينية للركبة لتشخيص التهاب المفاصل. في الوقت نفسه، واستنادًا إلى التحليل المذكور أعلاه، يمكن استنتاج أن نموذجنا يمكن أن يحقق نتائج فائقة عند تطبيقه على مجموعات البيانات التي تحتوي على هذا النوع من التصوير ثنائي الجوانب.

بشكل عام، كما هو موضح في الجدول 4، حققت طريقتنا المقترحة درجة أعلى من mIoU ومعامل النرد ودقة البكسل مقارنة بـ BtrflyNet وDoubleU-Net. أظهرت هذه النتائج أن طريقتنا المقترحة حسنت دقة تجزئة الصورة من الصور ذات الوجهين.

5. الاستنتاجات

في هذا البحث، اقترحنا شبكة Fuzzy DBNet، التي تأخذ صورتين مدخلتين لحل مشكلة كون أحد جوانب الجسم ضبابيًا أو غير مكتمل. حقق نموذجنا المقترح دقة بكسل تبلغ 92.8% في مجموعة بيانات الأدوية، والتي كانت أكثر دقة بنسبة 10.4% من Double U-Net و6.9% مقارنة بـ BtryflyNet، مما أدى بشكل فعال إلى حل مشكلة النص غير المتناسق على جانبي الدواء الذي لا يمكن يتم تصنيفها بدقة بناءً على صورة واحدة. في مجموعة بيانات الأشعة السينية للصدر، وصلت دقة البكسل إلى 96.9%، وهي أكثر دقة بنسبة 2.8 و7.2% من Double U-Net وBtryflyNet، على التوالي. أدى هذا إلى تحسين مشكلة المناطق الغامضة أو المزعجة في تجزئة الصورة.

يتكون العمل المستقبلي بشكل أساسي من جزأين. أولاً، نحن نهدف إلى تطبيق نموذجنا على التعرف على آفات المرض المختلفة التي تتطلب صورًا طبية مزدوجة الجوانب، مثل ورم خبيث في العظام والركبتين. بعد ذلك، نخطط لتطوير بنية شبكة يمكنها دمج الصور متعددة الزوايا التي تتجاوز النطاق الحالي للصور ذات الوجهين. وهذا من شأنه أن يسمح بإنشاء نموذج متعدد الرؤية لمحاكاة الرؤية المجسمة. ومن خلال الاستفادة من المعلومات العميقة التي تم التقاطها من زوايا مختلفة، يمكن تعزيز فعالية النموذج بشكل أكبر.

ومن شأن هذا التقدم أن يسهل جمع وإعداد مجموعات بيانات أكثر تنوعًا ويزيد من إمكانية تطبيق النهج المقترح على نطاق أوسع من المجالات.

الكاتب الاشتراكات:المنهجية، C.-LC، C.-YL، Y.-ML، S.-WC وAKS؛ البرمجيات، J.-CL، C.-YL، Y.-ML وS.-WC؛ التحقق من الصحة، J.-CL، C.-YL وAKS؛ التحليل الرسمي، Y.-ML؛ الكتابة - المسودة الأصلية، T.-YS، TC وP.-CH؛ الإشراف، T.-YS، TC وP.-CH؛ إدارة المشروع، C.-LC لقد قرأ جميع المؤلفين النسخة المنشورة من المخطوطة ووافقوا عليها.

التمويل:لم يتلق هذا البحث أي تمويل خارجي.

بيان مجلس المراجعة المؤسسية:غير قابل للتطبيق.

بيان الموافقة المستنيرة:غير قابل للتطبيق.

بيان توفر البيانات:جميع مجموعات البيانات المستخدمة في هذه الورقة متاحة للجمهور.

تضارب المصالح:الكتاب تعلن أي تضارب في المصالح.

مراجع

1. طارق، ر.أ. فاشيشت، ر. سينها، أ. شيرباك، Y. أخطاء صرف الأدوية والوقاية منها؛ StatPearls: جزيرة الكنز، فلوريدا، الولايات المتحدة الأمريكية، 2020.

2. رونبيرجر، أو. فيشر، ب. Brox، T. U-net: الشبكات التلافيفية لتجزئة الصور الطبية الحيوية. وفي وقائع المؤتمر الدولي الثامن عشر، MICCAI، ميونيخ، ألمانيا، 5-9 أكتوبر 2015؛ ص 234-241.

3. جها، د.؛ ريجلر، MA؛ جوهانسن، د.؛ هالفورسن، ب. يوهانسن، HD Doubleu-net: شبكة عصبية تلافيفية عميقة لتجزئة الصور الطبية. وفي وقائع الندوة الدولية الثالثة والثلاثين لمعهد مهندسي الكهرباء والإلكترونيات حول الأنظمة الطبية القائمة على الكمبيوتر (CBMS)، روتشستر، مينيسوتا، الولايات المتحدة الأمريكية، 28-30 يوليو 2020؛ ص 558-564.

4. الذقن، CL. تشانغ، CL؛ ليو، YC. Lin, YL التقسيم الآلي وقياس مؤشرات الطيات الصوتية والمزمار في صور التنظير الحنجري باستخدام قناع R-CNN. بيوميد. م. تطبيق. أساس كوميون. 2021، 33، 2150027.

5. بودوفسكي، ج.؛ Mulawka, J. التعلم الآلي في التعرف على أمراض الرئة الأساسية. تطبيق. الخيال العلمي. 2022، 12، 8086. [المرجع المتقاطع]

6. راجارامان، إس. قوه، P.؛ شيويه، Z .؛ أنتاني، SK فرقة عميقة خاصة بالطرق لتحسين اكتشاف الالتهاب الرئوي في الأشعة السينية للصدر. التشخيص 2022، 12، 1442. [CrossRef] [PubMed]

7. جراناتا، ف.؛ فوسكو، ر. كوستا، م. بيكون، C .؛ كوزي، د.؛ موروني، سي. Petrillo، A. تقرير أولي عن إشعاعات التصوير المقطعي المحوسب كمؤشرات حيوية لاختيار العلاج المناعي لدى مرضى سرطان الرئة الغدي. السرطان 2021، 13، 3992. [CrossRef] [PubMed]

8. زاروغوليديس، ص. كيوميس، أنا؛ بيتسيو، ج؛ بوربوديس، ك.؛ لامباكي، س. بابايوانو، أ؛ كاتسيكوجيانيس، ن.؛ زاريك، ب. برانيسلاف، ب. سيسين، ن.؛ وآخرون. استرواح الصدر: من التعريف إلى التشخيص والعلاج. جيه ثوراك. ديس. 2014، 6 (ملحق S4)، S372 – S376. [مجلات]

9. تشانغ، ر.؛ يانغ، ف؛ لو، Y.؛ ليو، J.؛ لي، J.؛ وانغ، سي. الاهتمام الموجه بالقناع الجزئي لتصنيف أمراض الصدر. الإنتروبيا 2021، 23، 653. [CrossRef] [PubMed]

10. يانغ، ف.؛ لو، بكس. دينغ، م.؛ وانغ ، YXJ. راجارامان، س. شيويه، Z .؛ جايجر، إس. شروحات لتشوهات الرئة في مجموعة بيانات الأشعة السينية للصدر في شنتشن لفحص الأمراض الرئوية بمساعدة الكمبيوتر. بيانات 2022، 7، 95. [CrossRef] [PubMed]

11. برواسكا، ل.؛ تروس، كوليسكو، AA؛ أنكوس، أ، VM؛ سيوكارلي، هـ؛ أونسيا، سي آي؛ ستوسيسكو، ER . مانوليسكو، دي إل طريقة جديدة لمعالجة صور الرئة باستخدام شبكات معقدة. التصوير المقطعي 2022، 8، 1928-1946. [CrossRef] [مجلات]

12. مبروك، ع. دياز ريدوندو، RP؛ دحو، أ.؛ عبد العزيز، م.؛ كايد، م. الكشف عن الالتهاب الرئوي على صور الأشعة السينية للصدر باستخدام مجموعة من الشبكات العصبية التلافيفية العميقة. تطبيق. الخيال العلمي. 2022، 12، 6448. [المرجع المتقاطع]

13. خيش، م.؛ كارافيني، ف؛ Kuhn, S. تطوير الشبكات العصبية التلافيفية للتعلم العميق للكشف المبكر عن فيروس كورونا -19 في صور الأشعة السينية للصدر. الرياضيات 2021، 9، 1002. [CrossRef]

14. كاو، ف.؛ Zhao، H. خوارزمية تجزئة الرئة التلقائية على صور الأشعة السينية للصدر بناءً على التشفير التلقائي المتغير للاندماج وآلية الاهتمام ثلاثية الأطراف. التناظر 2021، 13، 814. [المرجع المتقاطع]

15. الحارثي، ف.؛ المليحي، ع. بورويس، س. الروبيع، ر.؛ Bouguila, N. منهج التعلم التمييزي القائم على نموذج الخليط المرن لتصنيف البيانات الطبية والتعرف عليها. أجهزة الاستشعار 2021، 21، 2450. [CrossRef] [PubMed]

16. راجارامان، إس. فوليو، إل آر؛ ديمبيريو، J.؛ ألدرسون، ص. Antani، SK تحسين التقسيم الدلالي لمرض السل - نتائج متسقة في الأشعة السينية للصدر باستخدام التدريب المعزز لنماذج شبكة u الخاصة بطريقة محددة مع توطين ضعيف. التشخيص 2021، 11، 616. [CrossRef] [PubMed]

17. شاكري، أ. كونستانتيلوس، ن.؛ تشو، C.؛ أنطونيو، ت.؛ فيلد، J.؛ سودا، كج. تادرس، م. اتجاهات الاستخدام العالمية لمضادات الفيروسات ذات المفعول المباشر (DAAs) أثناء جائحة كوفيد-19: تحليل السلاسل الزمنية. الفيروسات 2021، 13، 1314. [CrossRef] [PubMed]

18. إليس، ر.؛ هاي ديفيد، AGC؛ برينان، بنسيلفانيا العمل أثناء جائحة كوفيد-19: كيفية الحد من الأخطاء الطبية. ر. J. عن طريق الفم والفكين. اندفاع. 2020، 58، 577-580. [CrossRef] [مجلات]

19. أوي، يي؛ تساي، AC. تشو، XP؛ Wang، JF الكشف التلقائي عن حبوب الدواء استنادًا إلى الشبكة الهرمية المحسنة والشبكات العصبية التلافيفية. آي إي تي للحوسبة. فيس. 2020, 14, 9–17. [المرجع المتقاطع]

20. ووندميينه، أ.؛ أليمو، دبليو؛ تاديل، ن.؛ ديميس، أ. أخطاء إدارة الدواء والعوامل المساهمة بين الممرضات: دراسة مقطعية في مستشفيات التعليم العالي، أديس أبابا، إثيوبيا. ممرضات بي إم سي. 2020, 19, 4. [CrossRef] [PubMed]

21. وانغ، ي.؛ ريبيرا، J.؛ ليو، C.؛ يارلاجادا، س. Zhu، F. التعرف على حبوب منع الحمل باستخدام الحد الأدنى من البيانات المصنفة. وفي وقائع مؤتمر IEEE الدولي الثالث لعام 2017 حول البيانات الضخمة للوسائط المتعددة (BigMM)، لاجونا هيلز، كاليفورنيا، الولايات المتحدة الأمريكية، 19-21 أبريل 2017؛ ص 346-353.

22. كوون، إتش جيه؛ كيم، زئبق. نموذج اكتشاف حبوب منع الحمل لي، إس إتش لفحص الأدوية بناءً على التعلم العميق. أجهزة الاستشعار الكيميائية 2022، 10، 4. [المرجع المتقاطع]

23. تان، ل.؛ هوانغفو، T.؛ وو، ل.؛ تشين، دبليو. مقارنة بين YOLO v3 و Faster R-CNN و SSD للتعرف على حبوب منع الحمل في الوقت الفعلي.

24. نوغيرا، ك.؛ دوس سانتوس، JA؛ مينيني، ن.؛ سيلفا، تي إس إف؛ موريلاتو، LPC؛ توريس، RDS تصنيف بكسلات الغطاء النباتي المكاني والزماني باستخدام الشبكات التلافيفية. IEEE جيوسي. أجهزة الاستشعار عن بعد Lett. 2019، 16، 1665–1669. [المرجع المتقاطع]

25. شيميزو، أ.؛ واكاباياشي، هـ؛ كاناموري، T.؛ سايتو، أ.؛ نيشيكاوا، ك. ديساكي، ه.؛ هيغاشياما، S .؛ Kawabe، J. القياس الآلي لمؤشر فحص العظام من خلال وميض عظام الجسم بالكامل. كثافة العمليات. جي كومبيوتر. يساعد. راديول. اندفاع. 2020، 15، 389-400. [CrossRef] [مجلات]

26. مجموعة بيانات الأشعة السينية للصدر في المعاهد الوطنية للصحة. متاح على الإنترنت: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (تم الوصول إليه في 2 مايو 2023).

27. كوبوك، إد. زوف، ب. شلينز، J.؛ Le, QV Randaugment: زيادة عملية للبيانات الآلية مع مساحة بحث منخفضة. وفي وقائع مؤتمر IEEE/CVF حول ورش عمل الرؤية الحاسوبية والتعرف على الأنماط، سياتل، واشنطن، الولايات المتحدة الأمريكية، 14-19 يونيو 2020؛ ص 702-703.

28. VGG صورة التعليق التوضيحي. متاح عبر الإنترنت: https://www.robots.ox.ac.uk/vgg/software/via/ (تم الوصول إليه في 26 سبتمبر 2022).

إخلاء المسؤولية/ملاحظة الناشر:البيانات والآراء والبيانات الواردة في جميع المنشورات هي فقط تلك الخاصة بالمؤلف (المؤلفين) والمساهم (المساهمين) وليست MDPI و/أو المحرر (المحررين). يتنصل MDPI و/أو المحرر (المحررون) من المسؤولية عن أي إصابة للأشخاص أو الممتلكات ناتجة عن أي أفكار أو طرق أو تعليمات أو منتجات مشار إليها في المحتوى.

【لمزيد من المعلومات:george.deng@wecistanche.com / واتساب:8613632399501】