의료 영상 분할을 위한 새로운 퍼지 DBNet 2부
Sep 15, 2023
3.4. 알약 이미지 분할
Fuzzy DBNet은 알약 데이터 세트 중에서 좋은 성능을 보였습니다. 모델의 일반화를 추가로 검증하기 위해 폐 데이터 세트에 대한 실험도 수행했습니다. 그림 8은 검증 손실을 보여줍니다.
Cistanche는 항피로 및 체력 강화제 역할을 할 수 있으며 실험 연구에 따르면 Cistanche tubeulosa 달임은 체중을 견디는 수영 쥐에서 손상된 간 간세포 및 내피 세포를 효과적으로 보호하고 NOS3 발현을 상향 조절하며 간 글리코겐을 촉진할 수 있는 것으로 나타났습니다. 합성하여 항피로 효능을 발휘합니다. 페닐에타노이드 글리코시드가 풍부한 Cistanche tubeulosa 추출물은 ICR 생쥐의 혈청 크레아틴 키나제, 젖산 탈수소효소 및 젖산 수치를 크게 감소시키고 헤모글로빈(HB) 및 포도당 수치를 증가시킬 수 있으며, 이는 근육 손상을 감소시켜 항피로 역할을 할 수 있습니다. 생쥐의 에너지 저장을 위한 젖산 농축을 지연시키는 것입니다. 복합 Cistanche Tubulosa 정제는 쥐의 체중 부하 수영 시간을 유의하게 연장하고 간 글리코겐 보유량을 증가시키며 운동 후 혈청 요소 수치를 감소시켜 항피로 효과를 나타냈습니다. 시스탄치스 달임은 운동하는 쥐의 지구력을 향상시키고 피로 해소를 촉진할 수 있으며, 부하 운동 후 혈청 크레아틴 키나아제의 상승을 감소시키고 운동 후 쥐의 골격근 미세구조를 정상으로 유지하는 효과가 있음을 나타냅니다. 체력 강화 및 피로 회복 효과가 있습니다. Cistanchis는 또한 아질산염에 중독된 쥐의 생존 시간을 크게 연장하고 저산소증과 피로에 대한 내성을 강화했습니다.
알약 데이터 세트에서 모델을 테스트하기 위해 이미지 그룹을 선택했습니다. 이 세트에는 위에서 아래로, 아래에서 위로 원시 이미지와 해당 실제 이미지 및 분할된 결과 등 6개의 이미지가 포함되어 있습니다. 이러한 이미지는 그림 9에 나와 있습니다.
제안된 모델의 성능을 평가하기 위해 평균 Dice 계수, mIoU 및 픽셀별 정확도를 사용하여 Fuzzy DBNet의 출력과 테스트 데이터 세트의 Ground Truth를 비교했습니다. 결과를 표 3에 나타내었다.
우리는 알약 테스트 데이터 세트 분할 결과에서 두 개의 이미지 세트를 예로 선택했습니다. 그림 10에서 BtrflyNet의 분할 성능은 열등했습니다. 반면 DoubleU-Net은 텍스트가 없는 알약을 인식할 경우 분류 오류가 발생하기 쉬웠습니다. 그림 11은 의도적으로 잘못된 이미지 입력이 있는 테스트 사례를 보여줍니다. 여기서 알약의 이미지는 전면과 후면이 아닌 다른 각도에서 캡처되었습니다. 이로 인해 DoubleU-Net의 분류 성능이 저하되었을 뿐만 아니라 잘못 배치된 약물 기능의 영향을 받아 우리 모델과 BtrflyNet의 분류 정확도가 감소했습니다.
4. 토론
우리는 알약 및 폐 데이터 세트에서 제안된 방법의 성능을 BtrflyNet의 성능과 비교하고 우리의 접근 방식이 더 나은 분할 결과를 달성했음을 입증했습니다.
그림 6, 7, 10을 참조하면 우리 모델이 양면 이미지를 통합하여 학습되었음을 확인할 수 있습니다. 우리 모델은 다른 모델에 비해 더 완전한 분할을 달성했으며 분류 정확도가 더 높았습니다. 반대로 우리 모델에도 한계가 있었습니다. 예를 들어 그림 11에서 볼 수 있듯이 양면이 아닌 이미지나 위치가 잘못 정렬된 양면 이미지에서는 이점이 부족했으며 분할된 개체를 잘못 분류하는 경향이 있었습니다. 이 두 가지 경우로부터 모델은 훈련 중에 입력 이미지의 양쪽에서 중요한 특징을 결합한 것으로 추론되었습니다. 따라서 동일한 대상 객체의 두 입력 이미지는 우리 모델의 장점을 최대한 활용하기 위해 최대한 겹쳐야 합니다.
피곤함을 클릭하세요
【자세한 정보:george.deng@wecistanche.com / WhatsApp:8613632399501】
폐 X선 데이터 세트에서 우리 모델은 분할 정확도에서 BtrflyNet보다 성능이 뛰어났습니다. 퍼지 ASPP를 통합하고 양면 이미지를 입력으로 사용함으로써 우리 모델은 DoubleU-Net에 비해 흐릿한 이미지에 대해서도 더 완전한 폐 분할을 생성했습니다.
알약 데이터세트에서 우리 모델은 특히 알약 뒷면의 텍스트가 있을 때 분할 정확도와 분류 정밀도에서 BtrflyNet과 DoubleU-Net보다 성능이 뛰어났습니다. 제안한 방법은 후면 이미지의 특징을 활용하여 정확한 분류를 달성했습니다.
의료 센터와 상담한 결과, 우리는 많은 병리학적 상태가 정확한 진단을 위해 양면 의료 영상의 정보가 필요하다는 사실을 알게 되었습니다. 예를 들어, 의사는 일반적으로 방사성 핵종 뼈 스캐닝의 AP 및 PA 보기를 사용하여 전이성 병변을 진단하고 무릎 X선 데이터의 다양한 관점에서 얻은 이미지를 사용하여 관절염을 진단합니다. 동시에 앞서 언급한 분석을 바탕으로 이러한 유형의 양면 이미징이 포함된 데이터 세트에 적용하면 우리 모델이 우수한 결과를 얻을 수 있다고 추론할 수 있습니다.
전반적으로 표 4에서 볼 수 있듯이 제안한 방법은 BtrflyNet 및 DoubleU-Net에 비해 더 높은 mIoU 점수, 주사위 계수 및 픽셀 단위 정확도를 달성했습니다. 이러한 결과는 제안한 방법이 양면 이미지의 이미지 분할 정확도를 향상시켰음을 보여줍니다.
5. 결론
본 논문에서는 두 개의 입력 이미지를 사용하여 물체의 한쪽이 흐릿하거나 불완전한 문제를 해결하는 Fuzzy DBNet을 제안했습니다. 우리가 제안한 모델은 약물 데이터 세트에서 92.8%의 픽셀 단위 정확도를 달성했는데, 이는 Double U-Net보다 10.4% 더 정확하고 BtryflyNet에 비해 6.9% 더 정확하여 약물 양면의 텍스트 불일치 문제를 효과적으로 해결했습니다. 하나의 이미지를 기준으로 정확하게 분류할 수 있습니다. 흉부 X선 데이터세트에서 픽셀별 정확도는 96.9%에 이르렀으며 이는 Double U-Net 및 BtryflyNet보다 각각 2.8% 및 7.2% 더 정확했습니다. 이를 통해 이미지 분할 시 모호하거나 노이즈가 있는 영역 문제가 개선되었습니다.
향후 작업은 크게 두 부분으로 구성됩니다. 첫째, 뼈 전이, 무릎 등 양면 의료 영상이 필요한 다양한 질병 병변 인식에 우리 모델을 적용하는 것을 목표로 합니다. 이에 따라 현재의 양면 이미지 범위를 뛰어넘어 다각도 이미지를 통합할 수 있는 네트워크 아키텍처를 개발할 예정이다. 이를 통해 입체 비전을 시뮬레이션하는 다중 뷰 모델을 생성할 수 있습니다. 다양한 각도에서 수집된 깊이 정보를 활용함으로써 모델의 효율성을 더욱 높일 수 있습니다.
이러한 발전은 보다 다양한 데이터 세트의 수집 및 준비를 촉진하고 제안된 접근 방식의 적용 가능성을 더 넓은 범위의 분야로 높일 것입니다.
저자 기여:방법론, C.-LC, C.-YL, Y.-ML, S.-WC 및 AKS; 소프트웨어, J.-CL, C.-YL, Y.-ML 및 S.-WC; 검증, J.-CL, C.-YL 및 AKS; 형식 분석, Y.-ML; 저술 - 원본 초안, T.-YS, TC 및 P.-CH; 감독, T.-YS, TC 및 P.-CH; 프로젝트 관리, C.-LC 모든 저자는 출판된 원고 버전을 읽고 동의했습니다.
자금:본 연구는 외부 자금 지원을 받지 않았습니다.
기관 검토 위원회 성명:해당되지 않습니다.
사전 동의서:해당되지 않습니다.
데이터 가용성 설명:이 문서에 사용된 모든 데이터 세트는 공개적으로 사용 가능합니다.
이해 상충:저자는 이해 상충을 선언하지 않습니다.
참고자료
1. 타리크, RA; 바쉬쉬트, R.; 신하, A.; Scherbak, Y. 약물 분배 오류 및 예방; StatPearls: 보물섬, 플로리다, 미국, 2020.
2. 로네베르거, 오.; 피셔, P.; Brox, T. U-net: 생체의학 이미지 분할을 위한 컨벌루션 네트워크. 제18차 국제회의 간행물, MICCAI, 독일 뮌헨, 2015년 10월 5~9일; 234~241페이지.
3. 자, 디.; 매사추세츠주 리글러; 요한센, D.; Halvorsen, P.; Johansen, HD Doubleu-net: 의료 영상 분할을 위한 심층 컨벌루션 신경망. 컴퓨터 기반 의료 시스템(CBMS)에 관한 IEEE 33차 국제 심포지엄 간행물(미국 미네소타 주 로체스터, 2020년 7월 28~30일) 558~564쪽.
4. 친씨엘; 창, 씨엘; 리우, YC; Lin, YL Mask R-CNN을 사용하여 후두 내시경 영상에서 성대와 성문의 자동 분할 및 지표 측정. 바이오메드. 영어 신청 베이시스커뮤니티. 2021, 33, 2150027.
5. Płudowski, J.; Mulawka, J. 기본 폐 병리 인식에 대한 기계 학습. 신청 과학. 2022, 12, 8086. [상호참조]
6. 라자라만, S.; 구오, P.; 쉬에, Z.; Antani, SK 흉부 엑스레이에서 폐렴 감지 개선을 위한 심층 양식별 앙상블. 진단 2022, 12, 1442. [CrossRef] [PubMed]
7. 그라나타, V.; 푸스코, R.; 코스타, M.; 피코네, C.; 코지, D.; 모로니, C.; Petrillo, A. 폐 선암종 환자의 면역 요법 선택에 대한 바이오마커로서의 컴퓨터 단층촬영 방사선학 기능에 대한 예비 보고서. 암 2021, 13, 3992. [CrossRef] [PubMed]
8. 자로굴리디스, P.; 키우미스, I.; 피치우, G.; 포르포디스, K.; 람파키, S.; Papaiwannou, A.; Katsikogiannis, N.; 자리릭, B.; 브라니슬라프, P.; 세센, N.; 외. 기흉: 정의부터 진단, 치료까지. J. 토락. 디스. 2014, 6(보충 S4), S372–S376. [펍메드]
9. 장, R.; 양, F.; 루오, Y.; 리우, J.; 리, J.; Wang, C. 흉부 질환 분류를 위한 부분 인식 마스크 유도 주의. 엔트로피 2021, 23, 653. [CrossRef] [PubMed]
10. 양, F.; 루, PX; 덩, M.; 왕, YXJ; 라자라만, S.; 쉬에, Z.; Jaeger, S. 폐 질환의 컴퓨터 보조 검사를 위한 심천 흉부 엑스레이 데이터 세트의 폐 이상에 대한 주석. 데이터 2022, 7, 95. [CrossRef] [PubMed]
11. Broască, L.; 트러스, 쿨레스쿠, AA; Ancus, a, VM; Ciocârlie, H.; CI 오안시아; 스토이체스쿠, 응급실; Manolescu, DL 복잡한 네트워크를 사용한 폐 영상 처리를 위한 새로운 방법. 단층 촬영 2022, 8, 1928-1946. [상호참조] [PubMed]
12. 마브루크, A.; 디아스 레돈도, RP; 다후, A.; 압드 엘라지즈, M.; Kayed, M. Deep Convolutional Neural Networks의 앙상블을 사용하여 흉부 X선 영상에서 폐렴 탐지. 신청 과학. 2022, 12, 6448. [상호참조]
13. 키셰, M.; 카라피니, F.; Kuhn, S. 흉부 X-선 이미지에서 조기 코로나-19 감지를 위한 딥 러닝 컨볼루셔널 신경망을 발전시키고 있습니다. 수학 2021, 9, 1002. [CrossRef]
14. 카오, F.; Zhao, H. 융합 변형 자동 인코더 및 3단자 주의 메커니즘을 기반으로 하는 흉부 X선 영상의 자동 폐 분할 알고리즘. Symmetry 2021, 13, 814. [교차참조]
15. 알하리티, F.; 알물리히, A.; 부루이, S.; 알루바이아, R.; Bouguila, N. 의료 데이터 분류 및 인식을 위한 유연한 혼합 모델을 기반으로 하는 차별적 학습 접근 방식. 센서 2021, 21, 2450. [CrossRef] [PubMed]
16. 라자라만, S.; 폴리오, LR; 딤페리오, J.; 앨더슨, PO; Antani, SK 결핵의 의미론적 세분화 개선 - 위치 파악이 약한 양식별 u-net 모델의 증강 훈련을 사용하여 흉부 X선에서 일관된 결과를 얻습니다. 진단 2021, 11, 616. [CrossRef] [PubMed]
17. 셰케리, A.; 콘스탄텔로스, N.; 추, C.; 안토니유, T.; 펠드, J.; 수다, KJ; Tadrous, M. 코로나19-19 팬데믹 기간 중 직접 작용 항바이러스제(DAA)의 글로벌 활용 추세: 시계열 분석. 바이러스 2021, 13, 1314. [CrossRef] [PubMed]
18. 엘리스, R.; 헤이-데이비드, AGC; Brennan, PA 코로나19-19 대유행 기간 동안 운영: 의료 오류를 줄이는 방법. 브르. J. 구강악악골. 외과. 2020, 58, 577-580. [상호참조] [PubMed]
19. 오우, YY; AC 차이; 저우, XP; Wang, JF 향상된 피처 피라미드 네트워크 및 컨볼루션 신경 네트워크를 기반으로 한 자동 약물 알약 감지. IET 컴퓨팅. 비스. 2020, 14, 9–17. [상호참조]
20. Wondmieneh, A.; 알레무, W.; 타델, N.; Demis, A. 간호사 간의 약물 투여 오류 및 기여 요인: 에티오피아 아디스 아바바의 3차 병원에 대한 단면 연구. BMC 간호사. 2020, 19, 4. [CrossRef] [PubMed]
21. 왕 Y.; 리베라, J.; 리우, C.; 얄라가다, S.; Zhu, F. 최소 레이블 데이터를 사용한 알약 인식. 2017 IEEE 제3차 멀티미디어 빅 데이터 국제 컨퍼런스(BigMM) 간행물, 미국 캘리포니아주 라구나힐스, 2017년 4월 19~21일; 346~353쪽.
22. 권현주; 김현수; 이성훈 딥러닝 기반 약품 검사를 위한 알약 탐지 모델. 화학 센서 2022, 10, 4. [CrossRef]
23. 탄, L.; 황푸, T.; 우, L.; Chen, W. 실시간 알약 식별을 위한 YOLO v3, Faster R-CNN 및 SSD 비교.
24. 노게이라, K.; 도스 산토스, JA; 메니니, N.; 실바, TSF; 모렐라토, LPC; Torres, 컨벌루션 네트워크를 사용한 RDS 시공간 식생 픽셀 분류. IEEE Geosci. 원격 감지 Lett. 2019, 16, 1665-1669. [상호참조]
25. 시미즈, A.; 와카바야시, H.; 카나모리, T.; 사이토, A.; 니시카와, K.; 다이사키, H.; 히가시야마, S.; Kawabe, J. 전신 뼈 신티그램에서 뼈 스캔 지수의 자동 측정. 국제 J. 컴퓨팅. 돕다. 라디올. 외과. 2020, 15, 389-400. [상호참조] [PubMed]
26. NIH 흉부 엑스레이 데이터세트. 온라인 이용 가능: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (2023년 5월 2일 접속)
27. 쿠북, ED; 조프, B.; Shlens, J.; Le, QV Randaugment: 검색 공간을 줄여 실용적이고 자동화된 데이터 확대. 컴퓨터 비전 및 패턴 인식 워크숍에 관한 IEEE/CVF 회의 간행물, 미국 워싱턴주 시애틀, 2020년 6월 14~19일; 702~703쪽.
28. VGG 이미지 주석자. 온라인 이용 가능: https://www.robots.ox.ac.uk/vgg/software/via/(2022년 9월 26일 접속)
면책조항/게시자 메모:모든 출판물에 포함된 진술, 의견 및 데이터는 MDPI 및/또는 편집자의 것이 아닌 개별 저자 및 기고자의 것입니다. MDPI 및/또는 편집자는 콘텐츠에 언급된 아이디어, 방법, 지침 또는 제품으로 인해 발생하는 인명 또는 재산 피해에 대해 책임을 지지 않습니다.
【자세한 정보:george.deng@wecistanche.com / WhatsApp:8613632399501】
