Um novo DBNet fuzzy para segmentação de imagens médicas, parte 2
Sep 15, 2023
3.4. Segmentação de imagens de pílulas
O Fuzzy DBNet teve um bom desempenho entre os conjuntos de dados de pílulas. Para verificar ainda mais a generalização do modelo, também conduzimos experimentos no conjunto de dados pulmonares. A Figura 8 mostra a perda de validação.
Cistanche pode atuar como um antifadiga e intensificador de resistência, e estudos experimentais mostraram que a decocção de Cistanche tubulosa pode proteger eficazmente os hepatócitos do fígado e as células endoteliais danificadas em camundongos nadadores com peso, regular positivamente a expressão de NOS3 e promover o glicogênio hepático síntese, exercendo assim eficácia anti-fadiga. O extrato de Cistanche tubulosa rico em glicosídeo feniletanóide pode reduzir significativamente os níveis séricos de creatina quinase, lactato desidrogenase e lactato, e aumentar os níveis de hemoglobina (HB) e glicose em camundongos ICR, e isso pode desempenhar um papel anti-fadiga, diminuindo o dano muscular e retardar o enriquecimento de ácido láctico para armazenamento de energia em ratos. Os comprimidos compostos de Cistanche Tubulosa prolongaram significativamente o tempo de natação com suporte de peso, aumentaram a reserva de glicogênio hepático e diminuíram o nível de uréia sérica após o exercício em camundongos, mostrando seu efeito antifadiga. A decocção de Cistanchis pode melhorar a resistência e acelerar a eliminação da fadiga em ratos que se exercitam, e também pode reduzir a elevação da creatina quinase sérica após o exercício de carga e manter a ultraestrutura do músculo esquelético dos ratos normal após o exercício, o que indica que tem os efeitos de aumentar a força física e anti-fadiga. Cistanchis também prolongou significativamente o tempo de sobrevivência de ratos envenenados por nitrito e aumentou a tolerância contra a hipóxia e a fadiga.
No conjunto de dados da pílula, escolhemos um grupo de imagens para testar o modelo. Este conjunto continha seis imagens: imagens brutas de cima para baixo e de baixo para cima e as imagens reais correspondentes e resultados segmentados. Essas imagens são mostradas na Figura 9.
Para avaliar o desempenho de nosso modelo proposto, comparamos a saída do Fuzzy DBNet e sua verdade básica no conjunto de dados de teste usando o coeficiente médio de dados, mIoU e precisão em pixels. Os resultados são mostrados na Tabela 3.
Selecionamos dois conjuntos de imagens dos resultados da segmentação do conjunto de dados do teste de pílula como exemplos. Na Figura 10, o desempenho de segmentação do BtrflyNet foi inferior. Por outro lado, quando a DoubleU-Net reconhecia pílulas sem texto, estava sujeita a erros de classificação. A Figura 11 mostra casos de teste com entradas de imagem intencionalmente incorretas, onde as imagens dos comprimidos foram capturadas em ângulos diferentes, em vez das vistas frontal e traseira. Isso levou não apenas ao baixo desempenho de classificação do DoubleU-Net, mas também a uma diminuição na precisão da classificação do nosso modelo e do BtrflyNet, porque eles foram afetados pelas características do medicamento mal posicionadas.
4. Discussão
Comparamos o desempenho do nosso método proposto com o do BtrflyNet nos conjuntos de dados de pílula e pulmão e demonstramos que nossa abordagem alcançou melhores resultados de segmentação.
Referindo-se às Figuras 6, 7 e 10, pode-se observar que nosso modelo foi treinado integrando imagens dupla-face. Nosso modelo alcançou segmentação mais completa e maior precisão de classificação em comparação com outros modelos. Por outro lado, nosso modelo também teve limitações. Por exemplo, como mostrado na Figura 11, faltavam vantagens em imagens sem dupla face ou imagens de dupla face com posições desalinhadas, e era propenso a classificar incorretamente objetos segmentados. A partir destes dois casos, inferiu-se que o modelo combinou características importantes de ambos os lados das imagens de entrada durante o treinamento. Portanto, duas imagens de entrada do mesmo objeto alvo devem se sobrepor tanto quanto possível para aproveitar totalmente as vantagens do nosso modelo.
Clique em exausto
【Para mais informações:george.deng@wecistanche.com / WhatsApp:8613632399501】
No conjunto de dados de raios X do pulmão, nosso modelo superou o BtrflyNet em precisão de segmentação. Devido à incorporação do ASPP difuso e ao uso de imagens frente e verso como entrada, nosso modelo produziu segmentações pulmonares mais completas, mesmo para imagens borradas, em comparação com o DoubleU-Net.
No conjunto de dados de pílulas, nosso modelo superou BtrflyNet e DoubleU-Net em precisão de segmentação e precisão de classificação, especialmente quando o texto no verso das pílulas estava presente. Ao aproveitar os recursos das imagens posteriores, nosso método proposto alcançou uma classificação precisa.
Após consultar centros médicos, aprendemos que muitas condições patológicas requerem informações de imagens médicas frente e verso para um diagnóstico preciso. Por exemplo, os médicos normalmente usam visualizações AP e PA da cintilografia óssea com radionuclídeos para diagnosticar lesões metastáticas, bem como imagens de diferentes perspectivas em dados de raios X do joelho para diagnosticar artrite. Ao mesmo tempo, com base na análise acima mencionada, pode-se inferir que nosso modelo poderia alcançar resultados superiores quando aplicado a conjuntos de dados contendo este tipo de imagem frente e verso.
No geral, conforme mostrado na Tabela 4, nosso método proposto alcançou uma pontuação mIoU, coeficiente de dados e precisão de pixel mais altos em comparação com BtrflyNet e DoubleU-Net. Esses resultados demonstraram que nosso método proposto melhorou a precisão da segmentação de imagens em imagens frente e verso.
5. Conclusões
Neste artigo, propusemos o Fuzzy DBNet, que utiliza duas imagens de entrada para resolver o problema de um lado de um objeto estar borrado ou incompleto. Nosso modelo proposto alcançou uma precisão de pixel de 92,8% em um conjunto de dados de medicamentos, que foi 10,4% mais preciso que Double U-Net e 6,9% em comparação com BtryflyNet, resolvendo efetivamente o problema de texto inconsistente em ambos os lados de um medicamento que não pode ser classificados com precisão com base em uma única imagem. Em um conjunto de dados de radiografia de tórax, a precisão em pixels atingiu 96,9%, 2,8 e 7,2% mais precisa do que Double U-Net e BtryflyNet, respectivamente. Isso melhorou o problema de regiões obscurecidas ou ruidosas na segmentação de imagens.
O trabalho futuro consiste principalmente em duas partes. Primeiro, pretendemos aplicar nosso modelo a vários reconhecimentos de lesões de doenças que requerem imagens médicas de dupla face, como metástases ósseas e joelhos. Em seguida, planejamos desenvolver uma arquitetura de rede que possa integrar imagens multiangulares que vão além do escopo atual das imagens frente e verso. Isso permitiria a criação de um modelo multivisualização para simular a visão estereoscópica. Ao aproveitar informações detalhadas capturadas de diferentes ângulos, a eficácia do modelo pode ser aprimorada ainda mais.
Este avanço facilitaria a recolha e preparação de conjuntos de dados mais variados e aumentaria a aplicabilidade da abordagem proposta a uma gama mais ampla de campos.
Contribuições do autor:Metodologia, C.-LC, C.-YL, Y.-ML, S.-WC e AKS; Software, J.-CL, C.-YL, Y.-ML e S.-WC; Validação, J.-CL, C.-YL e AKS; Análise formal, Y.-ML; Redação — minuta original, T.-YS, TC e P.-CH; Supervisão, T.-YS, TC e P.-CH; Administração do projeto, C.-LC Todos os autores leram e concordaram com a versão publicada do manuscrito.
Financiamento:Esta pesquisa não recebeu financiamento externo.
Declaração do Conselho de Revisão Institucional:Não aplicável.
Declaração de consentimento informado:Não aplicável.
Declaração de disponibilidade de dados:Todos os conjuntos de dados usados neste artigo estão disponíveis publicamente.
Conflitos de interesse:Os autores declaram não haver conflito de interesses.
Referências
1.Tariq, RA; Vashisht, R.; Sinha, A.; Scherbak, Y. Erros e prevenção na dispensação de medicamentos; StatPearls: Treasure Island, FL, EUA, 2020.
2. Ronneberger, O.; Fischer, P.; Brox, T. U-net: Redes convolucionais para segmentação de imagens biomédicas. Em Anais da 18ª Conferência Internacional, MICCAI, Munique, Alemanha, 5–9 de outubro de 2015; pp. 234–241.
3. Jha, D.; Riegler, MA; Johansen, D.; Halvorsen, P.; Johansen, HD Doubleu-net: Uma rede neural convolucional profunda para segmentação de imagens médicas. Em Anais do 33º Simpósio Internacional IEEE sobre Sistemas Médicos Baseados em Computador (CBMS), Rochester, MN, EUA, 28–30 de julho de 2020; páginas 558–564.
4. Queixo, CL; Chang, CL; Liu, YC; Lin, YL Segmentação automática e medição de indicadores das pregas vocais e glóticas em imagens de endoscopia laríngea usando Mask R-CNN. Biomédica. Eng. Apl. Base Comun. 2021, 33, 2150027.
5. Płudowski, J.; Mulawka, J. Aprendizado de Máquina no Reconhecimento de Patologias Pulmonares Básicas. Apl. Ciência. 2022, 12, 8086. [CrossRef]
6. Rajaraman, S.; Guo, P.; Xue, Z.; Antani, SK Um conjunto profundo específico de modalidade para melhorar a detecção de pneumonia em radiografias de tórax. Diagnóstico 2022, 12, 1442. [CrossRef] [PubMed]
7. Granata, V.; Fusco, R.; Costa, M.; Picone, C.; Cozzi, D.; Morôni, C.; Petrillo, A. Relatório preliminar sobre características radiônicas da tomografia computadorizada como biomarcadores para seleção de imunoterapia em pacientes com adenocarcinoma pulmonar. Cânceres 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.; e outros. Pneumotórax: Da definição ao diagnóstico e tratamento. J. Thorac. Dis. 2014, 6 (Suplemento S4), S372–S376. [Pub Med]
9.Zhang, R.; Yang, F.; Luo, Y.; Liu, J.; Li, J.; Wang, C. Atenção guiada por máscara parcialmente consciente para classificação de doenças do tórax. Entropia 2021, 23, 653. [CrossRef] [PubMed]
10.Yang, F.; Lu, PX; Deng, M.; Wang, YXJ; Rajaraman, S.; Xue, Z.; Jaeger, S. Anotações de anormalidades pulmonares no conjunto de dados de radiografias de tórax de Shenzhen para triagem de doenças pulmonares auxiliada por computador. Dados 2022, 7, 95. [CrossRef] [PubMed]
11. Broască, L.; Trus, culescu, AA; Ancus, a, VM; Ciocârlie, H.; Oancea, CI; Stoicescu, ER; Manolescu, DL Um novo método para processamento de imagens pulmonares usando redes complexas. Tomografia 2022, 8, 1928–1946. [CrossRef] [PubMed]
12. Mabrouk, A.; Díaz Redondo, RP; Dahou, A.; Abd Elaziz, M.; Kayed, M. Detecção de pneumonia em imagens de radiografias de tórax usando conjunto de redes neurais convolucionais profundas. Apl. Ciência. 2022, 12, 6448. [CrossRef]
13. Khishe, M.; Caraffini, F.; Kuhn, S. Evolução de redes neurais convolucionais de aprendizado profundo para detecção precoce de COVID-19 em imagens de radiografia de tórax. Matemática 2021, 9, 1002. [CrossRef]
14. Cao, F.; Zhao, H. Algoritmo automático de segmentação pulmonar em imagens de radiografia de tórax com base em autocodificador variacional de fusão e mecanismo de atenção de três terminais. Simetria 2021, 13, 814. [CrossRef]
15. Alharithi, F.; Almulihi, A.; Bourouis, S.; Alroobaea, R.; Bouguila, N. Abordagem de aprendizagem discriminativa baseada em modelo de mistura flexível para categorização e reconhecimento de dados médicos. Sensores 2021, 21, 2450. [CrossRef] [PubMed]
16. Rajaraman, S.; Fólio, LR; Dimperio, J.; Alderson, PO; Antani, SK Segmentação semântica aprimorada da tuberculose — Achados consistentes em radiografias de tórax usando treinamento aumentado de modelos u-net específicos da modalidade com localizações fracas. Diagnóstico 2021, 11, 616. [CrossRef] [PubMed]
17.Shakeri, A.; Konstantelos, N.; Chu, C.; Antoniou, T.; Feld, J.; Suda, KJ; Tadrous, M. Tendências globais de utilização de antivirais de ação direta (DAAs) durante a pandemia de COVID-19: uma análise de série temporal. Vírus 2021, 13, 1314. [CrossRef] [PubMed]
18. Ellis, R.; Hay-David, AGC; Brennan, PA Operando durante a pandemia de COVID-19: como reduzir erros médicos. Ir. J. Oral Maxilofac. Surg. 2020, 58, 577–580. [CrossRef] [PubMed]
19. Ou, YY; Tsai, AC; Zhou, XP; Wang, JF Detecção automática de pílulas de drogas com base em rede de pirâmide de recursos aprimorados e redes neurais de convolução. Computação IET. Vis. 2020, 14, 9–17. [RefCruz]
20. Wondmieneh, A.; Alemu, W.; Tadelé, N.; Demis, A. Erros de administração de medicamentos e fatores contribuintes entre enfermeiros: Um estudo transversal em hospitais terciários, Adis Abeba, Etiópia. Enfermeiras BMC. 2020, 19, 4. [CrossRef] [PubMed]
21. Wang, Y.; Ribera, J.; Liu, C.; Yarlagadda, S.; Zhu, F. Reconhecimento de comprimidos usando dados rotulados mínimos. Em Anais da Terceira Conferência Internacional IEEE 2017 sobre Big Data Multimídia (BigMM), Laguna Hills, CA, EUA, 19–21 de abril de 2017; páginas 346–353.
22. Kwon, HJ; Kim, HG; Lee, Modelo de detecção de comprimidos SH para inspeção de medicamentos baseado em aprendizado profundo. Quimiossensores 2022, 10, 4. [CrossRef]
23. Tan, L.; Huangfu, T.; Wu, L.; Chen, W. Comparação de YOLO v3, Faster R-CNN e SSD para identificação de comprimidos em tempo real.
24. Nogueira, K.; dos Santos, JA; Menini, N.; Silva, TSF; Morellato, LPC; Torres, RDS Classificação de pixels de vegetação espaço-temporal usando redes convolucionais. IEEE Geociências. Sensor Remoto Lett. 2019, 16, 1665–1669. [RefCruz]
25. Shimizu, A.; Wakabayashi, H.; Kanamori, T.; Saito, A.; Nishikawa, K.; Daisaki, H.; Higashiyama, S.; Kawabe, J. Medição automatizada do índice de cintilografia óssea a partir de uma cintilografia óssea de corpo inteiro. Interno. J. Computação. Ajude. Radiol. Surg. 2020, 15, 389–400. [CrossRef] [PubMed]
26. Conjunto de dados de radiografia de tórax do NIH. Disponível online: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (acessado em 2 de maio de 2023).
27. Cubuk, ED; Zoph, B.; Shlens, J.; Le, QV Randaugment: Aumento prático de dados automatizado com um espaço de pesquisa reduzido. Em Anais da Conferência IEEE/CVF sobre Workshops de Visão Computacional e Reconhecimento de Padrões, Seattle, WA, EUA, 14–19 de junho de 2020; páginas 702–703.
28. Anotador de imagens VGG. Disponível online: https://www.robots.ox.ac.uk/vgg/software/via/ (acessado em 26 de setembro de 2022).
Isenção de responsabilidade/nota do editor:As declarações, opiniões e dados contidos em todas as publicações são de responsabilidade exclusiva do(s) autor(es) e colaborador(es) individual(is) e não do MDPI e/ou do(s) editor(es). O MDPI e/ou o(s) editor(es) se isentam de responsabilidade por qualquer dano a pessoas ou propriedades resultante de quaisquer ideias, métodos, instruções ou produtos mencionados no conteúdo.
【Para mais informações:george.deng@wecistanche.com / WhatsApp:8613632399501】
