DBNet Fuzzy Úrscéal Do Dheighleogú Íomhá Leighis Cuid 1

Coimriú:Nuair a bhíonn tuirse ar dhochtúirí, is minic a dhéanann siad earráidí diagnóiseacha. Ar an gcaoi chéanna, féadfaidh cógaiseoirí botúin a dhéanamh maidir le cógais a dháileadh. Mar sin, tá ról ríthábhachtach ag deighilt réad i go leor réimsí a bhaineann le cúram sláinte, mar anailís ar shíomptóim in íomháú bithleighis agus aicmiú drugaí. Mar sin féin, úsáideann go leor halgartaim dhomhainfhoghlama traidisiúnta radharc aonair d'íomhá le haghaidh deighilt nó aicmiú. Nuair a bhíonn an íomhá doiléir nó neamhiomlán, ní theipeann ar na halgartaim seo an limistéar paiteolaíoch nó cruth na ndrugaí a dheighilt go cruinn, rud a d'fhéadfadh tionchar a bheith aige ar phleananna cóireála ina dhiaidh sin. Dá bhrí sin, molaimid an Fuzzy DBNet, a chomhcheanglaíonn an dé-líonra féileacán agus an ASPP doiléir i líonra domhainfhoghlama agus a phróiseálann íomhánna ón dá thaobh de réad ag an am céanna. Bhain ár dturgnaimh úsáid as tacair sonraí ilchatagóirí piolla agus X-gha na scamhóg le haghaidh oiliúna. Shroich meán-chomhéifeacht dísle ár múnla molta 95.05% i ndeighilt ilphill agus 97.05% i ndeighilt scamhóg. Thaispeáin na torthaí gur sháraigh ár múnla molta líonraí eile den scoth sa dá fheidhmchlár, rud a thaispeánann gur féidir lenár múnla úsáid a bhaint as iliomad radharcanna ar íomhá chun deighilt nó sainaithint íomhá a fháil.

Is féidir le Cistanche feidhmiú mar fheabhsaitheoir frith-tuirse agus stamina, agus léirigh staidéir thurgnaimh go bhféadfadh decoction Cistanche tubulosa cosaint éifeachtach a dhéanamh ar na heipitocytes ae agus na cealla endothelial damáiste i lucha snámha meáchain, an abairt NOS3 a rialú, agus glycogen hepatic a chur chun cinn. sintéis, rud a fheidhmíonn éifeachtúlacht frith-tuirse. D'fhéadfadh sliocht Cistanche tubulosa atá saibhir i glycoside phenylethanoid laghdú suntasach a dhéanamh ar na leibhéil creatine serum kinase, lactate dehydrogenase, agus lactate, agus na leibhéil haemaglóibin (HB) agus glúcóis i lucha ICR a mhéadú, agus d'fhéadfadh sé seo ról frith-tuirse a imirt trí laghdú ar an damáiste muscle. agus moill a chur ar an saibhriú aigéid lachtaigh le haghaidh stórála fuinnimh i lucha. Chuir Táibléad Comhdhúile Cistanche Tubulosa go mór leis an am snámha meáchain, mhéadaigh sé an cúlchiste glycogen hepatic, agus laghdaigh sé leibhéal úiré serum tar éis a fheidhmiú i lucha, rud a léirigh a éifeacht frith-tuirse. Is féidir leis an decoction de Cistanchis feabhas a chur ar seasmhachta agus dlús a chur le deireadh a chur le tuirse i lucha a fheidhmiú, agus is féidir a laghdú freisin ar an ingearchló serum creatine kinase tar éis a fheidhmiú ualach agus a choinneáil ar an ultrastructure muscle cnámharlaigh na lucha gnáth tar éis a fheidhmiú, rud a léiríonn go bhfuil na héifeachtaí. de neart coirp agus frith-tuirse a fheabhsú. Chuir Cistanchis go suntasach freisin le ham marthanais lucha nitrít-nimh agus chuir sé leis an lamháltas i gcoinne hypoxia agus tuirse.

Cliceáil ar tuirse mhór

【Le haghaidh tuilleadh eolais:george.deng@wecistanche.com / WhatsApp:8613632399501】

1. Réamhrá

Is iomaí cás inar cuireadh deighilt íomhá sa leigheas i bhfeidhm go príomha toisc go dteastaíonn eolas agus am leighis substaintiúil chun íomhánna leighis a léirmhíniú ó scanadh CT agus MRI. Ina theannta sin, léiríonn staitisticí go gcuireann earráidí leighis le básanna 7000-9000 duine gach bliain sna Stáit Aontaithe [1]. Mar sin, chun aghaidh a thabhairt ar na saincheisteanna seo, tá roinnt réitigh teicneolaíochta molta. Mar shampla, d’fhorbair an U-Net ag Ronneberger et al. [2] a úsáidtear i deighilt íomhánna bithleighis. An DoubleU-Net fostaithe ag Debesh Jha et al. [3] a úsáidtear i nósanna imeachta cosúil le colonoscopy. Tá sé bunaithe go príomha ar an U-Net agus an VGG-19, comhdhéanta de dhá ionchódóir agus díchódóir. Mar an gcéanna, Chin et al. [4] úsáid a bhaint as algartam foghlama domhain Mask R-CNN chun na cordaí gutha agus na réigiúin glottis a dheighilt ó fhíseáin laringe, ag cabhrú le dochtúirí diagnóis agus cóireáil.

I measc aitheantas íomhá scamhóg, Jakub et al. le fios go bhfuil torthaí na n-íomhánna X-gha de loit galar occluded go héasca ag soithigh fola. Cé gur féidir le modhanna meaisínfhoghlama chun íomhá scamhóg a aithint an t-ualach ar phearsanra leighis a laghdú, níl ach 91% [5] cruinn acu. Ina theannta sin, tá sé cruthaithe go bhfuil an tsamhail domhainfhoghlama chun galair scamhóg a aithint níos fearr ná modhanna traidisiúnta meaisínfhoghlama [6,7]. Mar sin, d'úsáideamar foghlaim dhomhain le haghaidh aitheantais íomhá. I gcás pneumothorax thoracostomy, ní mór don dochtúir breathnú ar íomhá X-gha na cófra chun an líne pleural thréshoilseach a fhorluíonn na heasnacha a aimsiú. Toisc go bhfuil an íomhá seo seans maith go blurring ó forluí fíocháin, níl aitheantas íomhá traidisiúnta éifeachtach [8], go háirithe toisc go carnann aer ar thaobh tosaigh an chomhlachta seachas ag an mbarr, rud a fhágann go bhfuil sé deacair do dhochtúirí réimsí pneumothorax a léirmhíniú. Toisc nach bhfuil na hairíonna tosaigh a bhaineann le go leor loit scamhóg soiléir agus go bhfuil tréithe casta paiteolaíocha ag na scamhóga [9], tá modhanna domhainfhoghlama molta ag go leor scoláirí chun cruinneas agus éifeachtúlacht diagnóis a fheabhsú [10]. Laura et al. [11] mhol líonra casta le haghaidh aitheantais íomhá scamhóg, agus léirigh a dturgnamh cruinneas ard le haghaidh aitheantais uigeachta. Dá réir sin, is féidir le modh líonra casta gnéithe tábhachtacha a bhaint as. Alhassan et al. [12] úsáid as an modh foghlama ensemble chun niúmóine a bhrath in íomhánna X-gha cliabhraigh le ráta cruinnis feabhsaithe de 93%. Bunaithe ar shaintréithe foghlama an ensemble, úsáidtear an modh chun cruinneas aitheantais na samhla a fheabhsú. Mohammad et al. [13] mhol [13] múnla domhainfhoghlama chun cabhrú le COVID a bhrath go luath-19, rud a chabhraigh leis an bhfoireann leighis a n-ualach oibre a laghdú. Le haghaidh deighilt íomhá scamhóg, tá Feidao et al. [14] mhol meicníocht aird trí chríochfort chun aird a tharraingt go huathoibríoch ar an limistéar sprice agus feabhas a chur ar fheidhmíocht deighilte scamhóg. Mar thoradh air sin, úsáidtear modúl geata aird chun éifeacht oiliúna an mhúnla a fheabhsú. Mar sin féin, níor úsáid na samhlacha seo íomhánna X-gha cófra go hiomlán. Tá dhá mhodh ann chun íomhánna X-gha scamhóg a thógáil: anteroposterior agus posteroanterior. Tógtar X-ghathanna na scamhóg anteroposterior ó chuas an chófra; Tógtar X-ghathanna scamhóg posteroanterior ón gcúl. Ní féidir le samhlacha domhainfhoghlama atá ann cheana féin ach íomhá amháin a ionchur le haitheantas [15]. Mar sin, b’fhéidir nach mbeidh an tsamhail in ann suíomh an lesion a aithint ós rud é nach bhfuil ach taobh amháin den íomhá X-gha ionchuir [16]. Dá bhrí sin, d’úsáideamar modhanna domhainfhoghlama chun íomhá scamhóg a shainaithint.

I measc na híomhánna piollaí a aithint, ní bhíonn formhór na modhanna aicmithe reatha ag brath ach ar fhaisnéis aontaobhach, ach i gcásanna áirithe, ní féidir go leor cineálacha pills a aicmiú. Mar shampla, d'fhéadfadh cruthanna éagsúla a bheith ar an gcineál céanna pillín nuair a bhreathnaítear air ó uillinneacha éagsúla; d'fhéadfadh go mbeadh litreacha ar thaobh amháin ag roinnt pills; agus is féidir dúshlán a thabhairt dóibh siúd a bhfuil cruthanna agus dathanna cosúla orthu. I gcásanna den sórt sin, b'fhéidir nach mbeadh an tsamhail in ann grúpa pills a rangú go cruinn. Mar gheall ar an bpaindéim, tagann líon mór daoine chuig ospidéil gach lá, rud a fhágann go bhfuil méadú suntasach ar úsáid na bpillín agus ar earráidí leighis [17,18]. Chun aghaidh a thabhairt ar na fadhbanna seo, tá Ou et al. [19] mhol sé ailtireacht dhomhainfhoghlama dhá chéim chun 1000 cineál piollaí a bhrath agus a rangú ina dhiaidh sin. Ina theannta sin, tá feabhas a chur ar eolas cógais agus faisnéis leordhóthanach a sholáthar d'othair ina shaincheisteanna tábhachtacha chun dramhaíl cógas agus fo-iarmhairtí díobhálacha a sheachaint [20]. Mar sin féin, is tasc scanrúil d’othair i gcónaí piollaí cuma-bhunaithe a aithint. Wang et al. [21] úsáid as Líonra Inception GoogLeNet chun ailtireacht dhomhainfhoghlama agus teicnící feabhsaithe íomhá a oiliúint trí dhíriú ar dhath, cruth agus marcanna, ach ní féidir leis ach aon chineál pillín amháin a aithint, arb é an locht mór é. Is féidir le haithint comhuaineach ilchineálacha pills freastal ar riachtanais an phobail níos fearr. I réimse na deighilte íomhá pill, Kwon et al. [22] úsáid Mask R-CNN, agus ní raibh ach 27 cineál piollaí sna tacair sonraí oiliúna a d’úsáid siad, agus bhí cruthanna agus dathanna éagsúla ag gach ceann acu. I ndáiríre, áfach, tá an chuma chéanna ar go leor cineálacha eile pills. Chun freastal ar riachtanais an domhain fíor, baineadh úsáid as 93 cineál pills chun ár múnla a oiliúint. Bhí cruthanna agus dathanna comhchosúla acu agus bhí éagsúlacht acu go príomha i bpriontaí éagsúla, rud a fhágann go bhfuil ár múnla níos infheidhme maidir le riachtanais chliniciúla. I bhrath réad pill, Lu et al. [23] mhol sé go leor modhanna braite réad. Cé gur aimsigh na samhlacha seo seasamh na bpoll, níl ach 87% ar an léarscáil. Ina theannta sin, níor thug scoláirí roimhe seo aghaidh go héifeachtach ar shaincheisteanna maidir le haithint pill, lena n-áirítear a socrúchán randamach agus láithreacht pills iolracha in íomhá. Tá sé deacair freisin uillinn uainíochta an pill a chinneadh agus a chaighdeánú do gach aicme pill.

Maidir le fís ríomhaire, úsáideann cásanna eile aerfheithiclí gan fhoireann (UAVanna) in éineacht le foghlaim dhomhain, Keiller et al. [24] rinne sé staidéar ar aicmiú plandaí ó pheirspictíochtaí spásúla agus speictreach ag baint úsáide as íomhánna RGB agus UAV speictreach bunaithe ar theicneolaíocht 2D-CNN.

Úsáideann modhanna reatha deighilte íomhá íomhá amháin den chuid is mó mar ionchur. Nuair a chuirtear íomhá amháin ísealcháilíochta isteach sa mhúnla, tagann saincheisteanna chun cinn maidir le deighilt agus rangú réad míchruinn. Sa réimse leighis, mar gheall ar shaintréithe casta na n-íomhánna, tá Akinobu et al. [25] mhol BtrflyNet meitéisis cnámh a aithint, ar féidir leo glacadh le dhá íomhá ionchuir ag an am céanna. Léirigh na torthaí turgnamhacha gur féidir leis an ráta ratha a bhaineann le hoiliúint mhúnla a fheabhsú. Mar sin féin, níl an tsamhail seo infheidhme ach amháin maidir le híomhánna metastasis cnámh. Bunaithe ar an bpáipéar seo, d'fheabhsaíomar an BtrflyNet chun Fuzzy DBNet a mholadh, a bhfuil torthaí den scoth bainte amach aige in íomhá pill agus aitheantas íomhá scamhóg.

2. Ábhair agus Modhanna

2.1. tacair sonraí

Sa pháipéar seo, úsáideadh tacair sonraí X-gha cliabhraigh agus piolla. Fuarthas sonraí X-gha cliabhraigh ó thacar sonraí X-gha cliabhraigh NIH [26] ina raibh 112,120 íomhá, as ar bhaineamar 72,324 de thuairimí anteroposterior (AP) agus posteroanterior (PA) na n-othar céanna. Rinneamar na híomhánna AP a phéireáil ansin lena n-íomhánna PA comhfhreagracha, rud a d'fhág go raibh 267,105 péire AP-PA san iomlán tar éis an mhéadaithe.

Cuimsíonn an tacar sonraí piollaí 93 catagóir le 1238 íomhá san iomlán: cruinn, ubhchruthach, dronuilleogach, triantánach agus dathanna éagsúla. Chun an dá thaobh de gach pill a ghabháil, tógadh íomhánna tar éis na pills a scaipeadh ar bhord trédhearcach agus grianghraif a ghlacadh ó díreach thuas agus thíos. Roinneadh an tacar sonraí ansin ina 80% le haghaidh oiliúna, 10% le haghaidh tástála, agus 10% le haghaidh bailíochtaithe. Chun cruinneas an mhúnla a fheabhsú, chuireamar an scéim AutoAugment [27] i bhfeidhm chun gach méid oibríochta (M) a dhíspreagadh ó [0, 10] le haghaidh méadú sonraí, rud a d'fhág go raibh tacar sonraí méadaithe de 2476 íomhá ann.

Ba é an tacar sonraí an teorainn ba shuntasaí dár múnla. Ar an gcéad dul síos, b'éigean dár n-íomhánna ionchuir a bheith déthaobhach, ní hamháin íomhánna ginearálta ach freisin íomhánna a chuaigh isteach i réada, mar shampla X-ghathanna. Ar an dara dul síos, bhí gá le comhfhreagras seasta de shuímh oibiachta sna híomhánna. Chun aghaidh a thabhairt air seo, rinne ár bhfoireann iarrachtaí chun suímh na bpíleanna a ailíniú idir a n-íomhánna déthaobhacha agus an tacar sonraí á mbailiú.

Tá sé tábhachtach a thabhairt faoi deara gur sholáthair an NIH tacar sonraí X-gha na scamhóg a úsáideadh sa staidéar seo, agus gur ghlac grianghrafadóireacht ár bhfoirne an tacar sonraí piollaí.

2.2. Réamhphróiseáil Sonraí

Chun cabhrú le cógaiseoirí maidir le haicmiú piollaí, rinneadh anótáil ar 93 cineál pills. D’úsáideamar Anótálaí íomhá VGG [28] chun lipéad a chur ar gach ceann díobh agus a ainm i 93 chatagóir éagsúla. Chuireamar lipéad ar imeall an phiolla agus thiontaigh muid na sonraí lipéadaithe isteach i gcomhad JSON mar fhírinne na sonraí oiliúna. Is féidir an t-algartam réamhphróiseála a fháil in Algartam A1.

2.3. DBNet doiléir

Molann an páipéar seo ailtireacht dhomhainfhoghlama nua, Líonra Fuzzy Double-Futterfly Network (DBNet), inar féidir dhá íomhá le hairíonna comhlántacha a ionchur chun deighilt íomhá a dhéanamh. Tá sé comhdhéanta go príomha de thrí chuid: ailtireacht ionchódóra-díchódóra féileacán dúbailte, bloc Comhthiomsú Pirimide Spásúlachta Fuzzy Atrous (ASPP), agus geata aird, mar a thaispeántar i bhFíor 1.

Baineadh úsáid as VGG 19 oilte chun an chéad ailtireacht féileacán a ionchódú chun gnéithe íomhá a bhaint as chun am oiliúna a shábháil agus rófheisteas a chosc. Idir an dá ionchódóir agus díchódóir i gcruth féileacán, bhí dhá bhloc chomhlachaithe a cheangail dhá shraith de bhlocanna Fuzzy ASPP, rud a d'athraigh tréithe éagsúla na n-íomhánna. Ansin, iolraíodh an t-aschur toraidh tosaigh ag an gcéad ailtireacht cruth féileacán leis an íomhá bunaidh mar a thaispeántar sa bhloc iolraithe i bhFíor 1. Chuir sé seo feabhas ar dhomhantarraingt shonrach an ghné chun deighilt níos cruinne a bhaint amach. Tá algartam Fuzzy DBNet le fáil in Algartam A2.

Chomhcheangail Fuzzy ASPP ASPP le teoiric doiléir agus cuireadh é idir ionchódóir agus díchódóir an dá líonra de chineál féileacán. Taispeánann Figiúr 2 struchtúr Fuzzy ASPP.

Sa chuid Fuzzy Pooling, baineadh úsáid as feidhm bhallraíochta clog-chruthach chun an oibríocht a chríochnú, agus rinneadh torthaí gach paiste comhthiomsaithe a choigeartú go dinimiciúil. Léiríonn Algartam A3 an algartam coigeartaithe dinimiciúil. Ba é an príomhchuspóir ná an cion den ghné a raibh tionchar ag fachtóirí neamhchinnteachta orthu a laghdú. Is féidir an algartam Fuzzy ASPP a fháil in Algartam A4.

Sna naisc scipeála, baineadh úsáid as meicníocht aird chun freagraí torannacha agus neamhábhartha a dhíchur trí úsáid a bhaint as gnéithe a bhaintear as léarscáileanna gné níos gairbhe. Laghdaigh sé go héifeachtach torann agus gnéithe neamhriachtanacha sa mhúnla agus d'fheabhsaigh sé a fheidhmíocht agus a chruinneas. Taispeánann Figiúr 3 struchtúr an gheata aird.

3. Toradh

3.1. Socrú Turgnaimh

Rinneadh bailíochtú oiliúna agus tástáil na samhla molta ar ríomhaire le 8-lárnach CPU (Intel Xeon W-3223), cuimhne 64 GB, GPU (RTX 3090) le cuimhne grafaice 24 GB, agus 10,496 croíleacan CUDA. Baineadh úsáid as creat PyTorch a chur i bhfeidhm. Taispeánann Tábla 1 na hipearpharaiméadair a úsáideadh do gach turgnamh.

Comhcheanglaíonn feidhm an chaillteanais iomláin (LDC) an Meán-Chaillteanas Dísle (LavgDice) leis an gCaillteanas Tras-Eantrópachta Catagóirí (LCCE) agus ríomhtar é mar seo a leanas:

áit arb é N líon na samplaí agus C an líon aicmí. Ós rud é gur íomhánna ilranga aschur an líonra, rinneamar an LCCE a ríomh ag baint úsáide as Cothromóid (3). Ansin, rinneamar an LDice a ríomh do gach rang ag baint úsáide as Cothromóid (2). Bhíothas in ann gach picteilín sa Ppred nach raibh gníomhach sa Ptrue a náid. Maidir le picteilíní gníomhachtaithe, gearradh pionós ar thuar ísealmhuiníne den chuid is mó, agus fuair luachanna tuartha níos airde comhéifeachtaí dísle níos airde. Mar sin, d’fhoghlaim an tsamhail réada d’aicmí agus de mhéideanna éagsúla trí LDice agus LCCE.

3.2. Innéacs Meastóireachta Feidhmíochta

Sa staidéar seo, d'úsáideamar trí mhéadracht chun feidhmíocht an mhúnla a mheas: cruinneas picteilín-ciallmhar, comhéifeacht meánach Dice (Dice), agus Meán-Trasbhealach thar Union (mise). Taispeántar na táscairí seo san fhoirmle seo a leanas.

áit a seasann Xí na luachanna bunfhírinne, agus seasann Yi na luachanna tuartha. Léiríonn an TP, FP, TN, agus FN líon na gcásanna dearfacha, dearfacha bréagacha, claonchlónna fíor, agus claonchlónna bréagacha, faoi seach. Thomhais cruinneas picteilín an céatadán de na picteilíní a aithníodh i gceart san íomhá; thomhais scór na nDísle an forluí idir an deighilt tuartha agus an talamhfhírinne; agus thomhais mioU an deighilt tuartha leis an bhfírinne ar an talamh. Roghnaíodh na méadrachtaí seo toisc gur thug siad léargas cuimsitheach ar fheidhmíocht na samhla agus gur cheadaigh siad comparáidí bríocha le samhlacha eile sa réimse. Léirigh luachanna níos airde do na méadrachtaí seo feidhmíocht samhail níos fearr.

3.3. Deighilt Íomhánna X-gha na Scamhóg

Rinneamar turgnaimh chun an modh molta a oiliúint agus rinneamar an tsamhail a bhailíochtú trí úsáid a bhaint as tacar bailíochtaithe. Mar a léirítear i bhFíor 4, shroich caillteanas oiliúna Fuzzy DBNet ar thacar sonraí X-gha na scamhóg an cóineasú thart ar an 100ú ré agus baineadh amach cóineasú iomlán ag thart ar an 300ú.

Ar thacar sonraí X-gha na scamhóg, roghnaigh muid sraith íomhánna mar shamplaí le haghaidh tástála múnla. Sé íomhá a bhí ann: íomhánna amha roimhe seo agus iar-iarbhall, na híomhánna comhfhreagracha d'fhírinne na talún, agus na torthaí deighilte. Taispeántar na híomhánna seo i bhFíor 5.

Rinneamar comparáid idir aschuir Fuzzy DBNet agus a fhírinneacht talún ar na sonraí tástála ag baint úsáide as meán-chomhéifeacht dísle, mioU, agus cruinneas picteilín chun feidhmíocht an mhúnla a thomhas. Taispeántar na torthaí i dTábla 2.

Roghnaíomar dhá thacar de X-ghathanna scamhóg ó thorthaí deighilte ár dtacar tástála mar shamplaí. I bhFíor 6, bhí iomláine deighilte ár múnla i bhfad níos fearr ná mar a bhí do BtrflyNet. I bhFíor 7, nuair a bhí na híomhánna scamhóg bunaidh doiléir, bhí feidhmíocht deighilte DoubleU-Net bocht, agus rinne ár múnla deighilt na scamhóga go cruinn.

【Le haghaidh tuilleadh eolais:george.deng@wecistanche.com / WhatsApp:8613632399501】