Tietokoneavusteinen diagnoosi - Computer-aided diagnosis
| Tietokoneavusteinen diagnoosi | |
|---|---|
| |
| Tarkoitus | tietokoneavusteinen kuvien diagnoosi |
Tietokoneavusteinen tunnistus ( CADe ), jota kutsutaan myös tietokoneavusteiseksi diagnoosiksi ( CADx ), ovat järjestelmiä, jotka auttavat lääkäreitä lääketieteellisten kuvien tulkinnassa . Kuvantamistekniikoiden in röntgen , MRI , ja ultraääni diagnostiikka tuottavat paljon tietoa, että radiologi tai muu lääkäri on analysoida ja arvioida kattavasti lyhyessä ajassa. CAD -järjestelmät käsittelevät digitaalisia kuvia tyypillisten esiintymisten varalta ja korostavat näkyviä kohtia, kuten mahdollisia sairauksia, tarjotakseen tietoa ammattilaisen päätöksen tueksi.
CAD: llä on myös mahdollisia tulevia sovelluksia digitaalisessa patologiassa koko dian kuvantamisen ja koneoppimisalgoritmien myötä . Toistaiseksi sen käyttö on rajoittunut immunovärjäyksen kvantifiointiin, mutta sitä tutkitaan myös tavanomaisen H&E -värin osalta .
CAD on monitieteinen teknologia yhdistää elementtejä tekoälyn ja konenäkö kanssa radiologisten ja patologian kuvankäsittelyä. Tyypillinen sovellus on kasvaimen havaitseminen. Esimerkiksi jotkut sairaalat käyttävät CAD: ää tukemaan ennaltaehkäiseviä lääkärintarkastuksia mammografiassa (rintasyövän diagnoosi), polyyppien havaitsemista paksusuolessa ja keuhkosyöpää .
Tietokoneavusteiset tunnistusjärjestelmät (CADe) rajoittuvat yleensä näkyvien rakenteiden ja osien merkitsemiseen. Tietokoneavusteiset diagnoosi (CADx) -järjestelmät arvioivat näkyvät rakenteet. Esimerkiksi mammografiassa CAD korostaa pehmytkudoksen mikrokalkkeutumisryhmiä ja hyperdense -rakenteita. Tämä antaa radiologille mahdollisuuden tehdä johtopäätöksiä patologian tilasta. Toinen sovellus on CADq, joka kvantifioi esim . Kasvaimen koon tai kasvaimen käyttäytymisen varjoaineen otossa. Tietokoneavusteinen yksinkertainen triage (cast) on toinen CAD, joka suorittaa täysin automaattinen alustava tulkinta ja triage tutkimuksia johonkin mielekäs ryhmiin ( esim negatiivinen ja positiivinen). CAST soveltuu erityisesti hätädiagnostiikkaan, jossa kriittisen, hengenvaarallisen tilan nopea diagnoosi on tarpeen.
Vaikka CAD: ää on käytetty kliinisissä ympäristöissä yli 40 vuoden ajan, CAD ei yleensä korvaa lääkäriä tai muuta ammattilaista, vaan sillä on pikemminkin tukirooli. Ammattilainen (yleensä radiologi) on yleensä vastuussa lääketieteellisen kuvan lopullisesta tulkinnasta. Joidenkin CAD-järjestelmien tavoitteena on kuitenkin havaita potilaiden varhaisimmat poikkeavuuden merkit, joita ihmiset eivät voi, kuten diabeettinen retinopatia , arkkitehtoninen vääristymä mammografiassa, lasisolmut rintakehän CT: ssä ja ei-polypoidiset ("litteät") vauriot CT -kolonografiassa.
Aiheet
Lyhyt historia
1950-luvun lopulla nykyaikaisten tietokoneiden kynnyksellä eri alojen tutkijat alkoivat tutkia mahdollisuutta rakentaa tietokoneavusteisia lääketieteellisiä diagnostiikkajärjestelmiä (CAD). Nämä ensimmäiset CAD-järjestelmät käyttivät vuokaavioita, tilastollista mallien sovittamista, todennäköisyysteoriaa tai tietopohjaa päätöksentekoprosessinsa ohjaamiseen.
1970 -luvun alusta lähtien joitakin lääketieteen hyvin varhaisista CAD -järjestelmistä, joita usein kutsuttiin lääketieteen " asiantuntijajärjestelmiksi ", on kehitetty ja käytetty pääasiassa opetustarkoituksiin. Mycin asiantuntija järjestelmä, Internist-I asiantuntijajärjestelmä ja Caduceus (asiantuntija järjestelmä) ovat joitakin esimerkkejä.
Varhaisen kehityksen alussa tutkijat pyrkivät rakentamaan täysin automatisoituja CAD / asiantuntijajärjestelmiä. Odotus siitä, mitä tietokoneet voivat tehdä, oli näiden tutkijoiden keskuudessa epärealistisen optimistinen. Richard M. Karpin läpimurtoasiakirjan "Supistettavuus yhdistelmäongelmien keskuudessa" jälkeen kävi kuitenkin selväksi, että on olemassa rajoituksia, mutta myös mahdollisia mahdollisuuksia, kun kehitetään algoritmeja tärkeiden laskennallisten ongelmien ryhmien ratkaisemiseksi.
Karpin 1970 -luvun alussa löytämien algoritmisten rajoitusten uuden ymmärtämisen tuloksena tutkijat alkoivat ymmärtää vakavia rajoituksia, joita CAD: llä ja lääketieteen asiantuntijajärjestelmillä on. Näiden rajoitusten tunnistaminen sai tutkijat kehittämään uudenlaisia CAD -järjestelmiä käyttämällä kehittyneitä lähestymistapoja. Niinpä 1980 -luvun lopulla ja 1990 -luvun alussa painopiste siirtyi tiedonlouhintamenetelmien käyttöön kehittyneempien ja joustavampien CAD -järjestelmien käyttämiseksi.
Vuonna 1998 Yhdysvaltojen elintarvike- ja lääkevirasto (FDA) hyväksyi ensimmäisen kaupallisen CAD -järjestelmän mammografiaan, ImageChecker -järjestelmän. Seuraavina vuosina useat kaupalliset CAD -järjestelmät mammografian, rintojen magneettikuvauksen, keuhkojen, paksusuolen ja sydämen lääketieteellisen kuvantamisen analysoimiseksi saivat myös FDA: n hyväksynnän. Tällä hetkellä CAD-järjestelmiä käytetään diagnostisena apuna tarjoamaan lääkäreille parempaa lääketieteellistä päätöksentekoa.
Metodologia
CAD perustuu pohjimmiltaan erittäin monimutkaiseen kuvioiden tunnistamiseen . Röntgensäteily tai muut kuvat skannataan epäilyttävien rakenteiden varalta. Normaalisti tarvitaan muutama tuhat kuvaa algoritmin optimoimiseksi. Digitaaliset kuvatiedot kopioidaan CAD -palvelimelle DICOM -muodossa ja valmistellaan ja analysoidaan useissa vaiheissa.
1. Esikäsittely varten
- Artefaktien (kuvien virheiden) vähentäminen
- Kuvan kohinanvaimennus
- Kuvanlaadun tasoitus (harmonisointi) (lisääntynyt kontrasti) kuvan eri perusedellytysten, esim. Eri valotusparametrien, selvittämiseksi.
- Suodatus
2. segmentointi for
- Kuvan eri rakenteiden erilaistuminen, esim. Sydän, keuhko, rintakehä, verisuonet, mahdolliset pyöreät leesiot
- Yhteensopiva anatomisen tietopankin kanssa
- Esimerkkinä harmaat arvot kiinnostuksen kohteena
3. Rakenne/ROI (kiinnostava alue) -analyysi Jokainen havaittu alue analysoidaan erikseen erityisominaisuuksien perusteella:
- Kompakti
- Muoto, koko ja sijainti
- Viittaus lähellä oleviin rakenteisiin / ROI: iin
- Keskimääräinen harmaatason arvoanalyysi ROI: ssa
- Harmaatasojen osuus rakenteen reunasta ROI: n sisällä
4. Arviointi / luokittelu Rakenteen analysoinnin jälkeen jokainen ROI arvioidaan yksilöllisesti (pisteytys) TP: n todennäköisyyden suhteen. Seuraavat toimenpiteet ovat esimerkkejä luokittelualgoritmeista.
- Lähimmän naapurin sääntö (esim. K -lähin naapuri )
- Minimietäisyyden luokittelija
- Cascade -luokittelija
- Naiivi Bayesin luokittelija
- Keinotekoinen hermoverkko
- Säteittäinen toimintaverkko (RBF)
- Tuki vektorikoneelle (SVM)
- Periaateosien analyysi (PCA)
Jos havaitut rakenteet ovat saavuttaneet tietyn kynnysarvon, ne korostetaan radiologin kuvassa. CAD -järjestelmästä riippuen nämä merkinnät voidaan tallentaa pysyvästi tai väliaikaisesti. Jälkimmäisen etuna on, että vain radiologin hyväksymät merkinnät tallennetaan. Vääriä osumia ei pidä tallentaa, koska myöhemmin tehtävä tutkimus vaikeutuu.
Herkkyys ja spesifisyys
CAD -järjestelmät pyrkivät korostamaan epäilyttäviä rakenteita. Nykypäivän CAD -järjestelmät eivät pysty havaitsemaan sataprosenttisesti patologisia muutoksia. Osuma ( herkkyys ) voi olla jopa 90% järjestelmästä ja sovelluksesta riippuen. Oikea osuma on nimeltään True Positive (TP), kun taas terveiden osien virheellinen merkitseminen on False Positive (FP). Mitä vähemmän FP: tä on ilmoitettu, sitä suurempi on spesifisyys . Alhainen spesifisyys vähentää CAD -järjestelmän hyväksymistä, koska käyttäjän on tunnistettava kaikki nämä väärät osumat. FP-määrä keuhkojen yleiskokeissa (CAD Chest) voitaisiin laskea 2: een tutkimusta kohden. Muissa segmenteissä ( esim. CT-keuhkotutkimuksissa) FP-luku voi olla 25 tai enemmän. Vuonna CAST järjestelmissä FP nopeus on erittäin pieni (alle 1 per tutkimus), jotta mielekäs tutkimuksen triage .
Absoluuttinen havaitsemisnopeus
Radiologin absoluuttinen havaitsemisnopeus on vaihtoehtoinen mitta herkkyydelle ja spesifisyydelle. Kaiken kaikkiaan kliinisten tutkimusten tulokset herkkyydestä, spesifisyydestä ja absoluuttisesta havaitsemisnopeudesta voivat vaihdella huomattavasti. Jokainen tutkimustulos riippuu sen perusedellytyksistä, ja se on arvioitava näiden ehtojen perusteella. Seuraavat tosiasiat vaikuttavat voimakkaasti:
- Retrospektiivinen tai tulevaisuudensuunnittelu
- Käytettyjen kuvien laatu
- Röntgentutkimuksen kunto
- Radiologin kokemus ja koulutus
- Vaurion tyyppi
- Tarkastellun leesion koko
Haasteet, joita CAD lääketieteessä kohtaa tänään
Huolimatta monesta kehityksestä, jonka CAD on saavuttanut tietokoneiden kynnyksestä lähtien, CAD -järjestelmillä on edelleen tiettyjä haasteita.
Jotkut haasteet liittyvät erilaisiin algoritmirajoituksiin CAD -järjestelmän menettelyissä, mukaan lukien syöttötietojen kerääminen, esikäsittely, käsittely ja järjestelmän arvioinnit. Algoritmit on yleensä suunniteltu valitsemaan yksi todennäköinen diagnoosi, jolloin ne tarjoavat epäoptimaalisia tuloksia potilaille, joilla on useita samanaikaisia häiriöitä. Nykyään CAD: n syöttötiedot tulevat enimmäkseen sähköisistä sairauskertomuksista (EHR). EHR: n tehokas suunnittelu, toteutus ja analysointi on tärkeä välttämättömyys kaikissa CAD -järjestelmissä.
Tietojen valtavan saatavuuden ja tällaisten tietojen analysoinnin vuoksi big data on myös yksi suurimmista haasteista, joita CAD -järjestelmät kohtaavat nykyään. Potilastietojen kasvava määrä on vakava ongelma. Usein potilastiedot ovat monimutkaisia ja voivat olla puoliksi jäsenneltyjä tai strukturoimattomia tietoja . Se vaatii pitkälle kehitettyjä lähestymistapoja niiden tallentamiseen, hakemiseen ja analysointiin kohtuullisessa ajassa.
Esikäsittelyvaiheessa syöttötiedot on normalisoitava. Tulotietojen normalisointi sisältää kohinanvaimennuksen ja suodatuksen. Käsittely voi sisältää muutamia alivaiheita sovelluksista riippuen. Lääketieteellisen kuvantamisen kolme perusvaihetta ovat segmentointi, ominaisuuksien poisto / valinta ja luokittelu. Nämä alivaiheet edellyttävät kehittyneitä tekniikoita syöttötietojen analysoimiseksi lyhyemmällä laskenta-ajalla. Vaikka innovatiivisten tekniikoiden luomiseen on käytetty paljon vaivaa näille CAD -järjestelmien menettelyille, ei silti ole olemassa yhtä parasta algoritmia jokaiselle vaiheelle. Käynnissä olevat tutkimukset innovatiivisten algoritmien rakentamisesta kaikille CAD -järjestelmien osa -alueille ovat välttämättömiä.
CAD -järjestelmille ei ole myöskään standardoituja arviointitoimenpiteitä. Tämä voi vaikeuttaa FDA: n hyväksynnän saamista kaupalliseen käyttöön. Lisäksi vaikka monet CAD -järjestelmien myönteiset kehitykset on osoitettu, tutkimukset niiden algoritmien validoimiseksi kliinisessä käytännössä ovat tuskin vahvistettuja.
Muut haasteet liittyvät terveydenhuollon tarjoajien ongelmaan ottaa käyttöön uusia CAD -järjestelmiä kliinisessä käytännössä. Jotkut negatiiviset tutkimukset voivat estää CAD: n käyttöä. Lisäksi terveydenhuollon ammattilaisten koulutuksen puute CAD: n käytöstä aiheuttaa joskus järjestelmän tulosten väärän tulkinnan. Näitä haasteita kuvataan tarkemmin.
Sovellukset
CAD: tä käytetään rintasyövän , keuhkosyövän , paksusuolen syövän , eturauhassyövän , luumetastaasien , sepelvaltimotaudin , synnynnäisen sydämen vajaatoiminnan , patologisen aivojen havaitsemisen, murtuman havaitsemisen, Alzheimerin taudin ja diabeettisen retinopatian diagnosointiin .
Rintasyöpä
CAD: tä käytetään mammografiassa (naisen rintojen röntgentutkimus). Seulontamammografiaa käytetään rintasyövän varhaiseen havaitsemiseen. CAD -järjestelmiä käytetään usein auttamaan kasvaimen luokittelemisessa pahanlaatuiseksi tai hyvänlaatuiseksi. CAD on erityisesti Yhdysvalloissa ja Alankomaissa, ja sitä käytetään ihmisen arvioinnin lisäksi, yleensä radiologi . Ensimmäinen mammografian CAD -järjestelmä kehitettiin Chicagon yliopiston tutkimushankkeessa. Nykyään sitä tarjoavat kaupallisesti iCAD ja Hologic . Vaikka CAD -järjestelmät saavuttavat korkean herkkyyden, niiden spesifisyys on kuitenkin hyvin heikko ja CAD: n käytön edut ovat edelleen epävarmoja. Vuonna 2008 tehdyssä järjestelmällisessä katsauksessa tietokoneavusteiseen havaitsemiseen mammografian seulonnassa pääteltiin, että CAD: llä ei ole merkittävää vaikutusta syövän havaitsemisprosenttiin, mutta se lisää ei-toivotusti palautusprosenttia ( eli vääriä positiivisia). Se totesi kuitenkin huomattavan heterogeenisen vaikutuksen takaisinvetoasteeseen eri tutkimuksissa.
Viimeaikaiset edistysaskeleet koneoppimisessa , syväoppimisessa ja tekoälytekniikassa ovat mahdollistaneet sellaisten CAD-järjestelmien kehittämisen, joiden on kliinisesti todistettu auttavan radiologeja vastaamaan mammografisten kuvien lukemiseen liittyviin haasteisiin parantamalla syövän havaitsemista ja vähentämällä vääriä positiivisia ja tarpeettomia potilaiden muistutuksia. lyhentää merkittävästi lukuaikoja.
On olemassa myös menetelmiä mammografian arvioimiseksi magneettikuvauksen perusteella .
Keuhkosyöpä (keuhkosyöpä)
Keuhkosyövän diagnosoinnissa luodaan tietokonetomografia, jossa on erityisiä kolmiulotteisia CAD-järjestelmiä, ja niitä pidetään asianmukaisina toisina lausunnoina. Tällä valmistellaan ja analysoidaan tilavuusaineisto, jossa on jopa 3000 yksittäistä kuvaa. Pyöreät leesiot ( keuhkosyöpä , etäpesäkkeet ja hyvänlaatuiset muutokset) ovat havaittavissa 1 mm: stä. Nykyään kaikki tunnetut lääketieteellisten järjestelmien myyjät tarjoavat vastaavia ratkaisuja.
Keuhkosyövän varhainen havaitseminen on arvokasta. Keuhkosyövän satunnainen havaitseminen varhaisessa vaiheessa (vaihe 1) röntgenkuvassa on kuitenkin vaikeaa. Pyöreät vauriot, jotka vaihtelevat 5-10 mm, jäävät helposti huomiotta. CAD -rintajärjestelmien rutiininomainen käyttö voi auttaa havaitsemaan pienet muutokset ilman alustavaa epäilystä. Useat tutkijat ovat kehittäneet CAD -järjestelmiä keuhkosolujen (pyöreät vauriot alle 30 mm) havaitsemiseksi rintakehän röntgen- ja CT -tutkimuksessa sekä CAD -järjestelmiä keuhkosolmukkeiden diagnosoimiseksi ( esim . Pahanlaatuisten ja hyvänlaatuisten erojen tekeminen). Virtuaalinen kaksienerginen kuvantaminen paransi CAD-järjestelmien suorituskykyä rintakehän röntgenkuvauksessa.
Paksusuolen syöpä
CAD on saatavilla havaitsemiseen ja peräsuolen polyypit , että paksusuolen CT colonography. Polyypit ovat pieniä kasvaimia, jotka syntyvät paksusuolen sisävuorista. CAD tunnistaa polyypit tunnistamalla niiden ominaisen "kohoumaisen" muodon. Liiallisten väärien positiivisten tulosten välttämiseksi CAD jättää huomiotta normaalin paksusuolen seinämän, mukaan lukien haustral -taitokset .
Sydän-ja verisuonitauti
Nykyaikaiset menetelmät kardiovaskulaarisessa laskennassa, sydän- ja verisuonitekniikassa sekä matemaattisessa ja laskennallisessa mallinnuksessa voivat tarjota arvokkaita työkaluja kliinisessä päätöksenteossa. CAD-järjestelmät, joissa on uusia kuva-analyysiin perustuvia markkereita, voivat auttaa verisuonilääkäreitä päättämään luottavaisemmin parhaasta sopivasta hoidosta sydän- ja verisuonitautipotilaille .
Luotettava kaulavaltimon ateroskleroosin varhainen havaitseminen ja riskikerrostuminen on äärimmäisen tärkeää oireettomien potilaiden aivohalvausten ennustamiseksi . Tätä varten on ehdotettu erilaisia ei-invasiivisia ja edullisia markkereita käyttäen ultraäänikuvapohjaisia ominaisuuksia. Näissä yhdistyvät echogeenisyys , rakenne ja liikeominaisuudet, jotka auttavat kliinistä päätöstä parantamaan sydän- ja verisuoniriskin ennustamista, arviointia ja hallintaa.
CAD on saatavana merkittävän (yli 50% ahtaumaa aiheuttavan ) sepelvaltimotaudin automaattiseen havaitsemiseen sepelvaltimon CT -angiografiatutkimuksissa (CCTA).
Synnynnäinen sydämen vajaatoiminta
Patologian varhainen havaitseminen voi olla ero elämän ja kuoleman välillä. CADe voidaan tehdä auskultaatiolla digitaalisella stetoskoopilla ja erikoisohjelmistolla, joka tunnetaan myös nimellä tietokoneavusteinen auskultaatio . Murina, epäsäännölliset sydämen äänet, jotka johtuvat viallisen sydämen läpi virtaavasta verestä, voidaan havaita erittäin herkästi ja spesifisesti. Tietokoneavusteinen kuuntelu on herkkä ulkoiselle melulle ja ruumiillisille äänille ja vaatii lähes hiljaisen ympäristön toimiakseen tarkasti.
Patologinen aivojen havaitseminen (PBD)
Chaplot et ai. käytti ensimmäisenä DWT ( Discrete Wavelet Transform ) -kertoimia patologisten aivojen havaitsemiseen. Maitra ja Chatterjee käyttivät Slantlet -muunnosta, joka on parannettu versio DWT: stä. Niiden ominaisvektori jokaisesta kuvasta luodaan ottamalla huomioon Slantlet -muunnoslähtöjen suuruusluokat, jotka vastaavat kuutta tietyn logiikan mukaisesti valittua tila -asemaa.
Vuonna 2010 Wang ja Wu esittelivät eteenpäin suunnatun hermoverkkoon (FNN) perustuvan menetelmän tietyn MR -aivokuvan luokittelemiseksi normaaliksi tai epänormaaliksi. FNN: n parametrit optimoitiin adaptiivisen kaoottisen hiukkasparven optimoinnin (ACPSO) avulla. Yli 160 kuvan tulokset osoittivat, että luokittelutarkkuus oli 98,75%.
Vuonna 2011 Wu ja Wang ehdottivat DWT: n käyttöä ominaisuuksien poimintaan, PCA: ta ominaisuuksien vähentämiseen ja FNN: ää skaalautuneella kaoottisella keinotekoisella mehiläispesällä (SCABC) luokittelijana.
Vuonna 2013 Saritha et ai. käyttivät ensimmäisenä aalto -entropiaa (WE) patologisten aivojen havaitsemiseksi. Saritha ehdotti myös hämähäkinverkkokaavioiden käyttöä. Myöhemmin Zhang et ai. osoittautui, että hämähäkinverkkojen poistaminen ei vaikuttanut suorituskykyyn. Geneettisen mallin etsintämenetelmää käytettiin tunnistamaan epänormaalit aivot normaalista kontrollista. Sen luokittelutarkkuudeksi ilmoitettiin 95,188%. Das et ai. ehdotti Ripplet -muunnoksen käyttöä. Zhang et ai. ehdotti hiukkasparvien optimointia (PSO). Kalbkhani et ai. ehdotti GARCH -mallin käyttöä.
Vuonna 2014 El-Dahshan et ai. ehdotti pulssikytketyn hermoverkon käyttöä.
Vuonna 2015 Zhou et ai. ehdotti naiivin Bayes -luokittelijan käyttöä patologisten aivojen havaitsemiseksi.
Alzheimerin tauti
CAD: itä voidaan käyttää tunnistamaan Alzheimerin tautia sairastavat ja lievää kognitiivista vajaatoimintaa sairastavat potilaat tavallisista vanhuksista.
Vuonna 2014 Padma et ai . käytti yhdistettyjä wavelet -tilastollisia tekstuuriominaisuuksia segmentoimaan ja luokittelemaan hyvänlaatuiset ja pahanlaatuiset kasvainviipaleet. Zhang et ai. löydetyn ytimen tukivektorin koneen päätöspuun luokittelutarkkuus oli 80%, ja keskimääräinen laskenta -aika oli 0,022 sekuntia jokaiselle kuvan luokitukselle.
Vuonna 2019 Signaevsky et ai . ovat ensin raportoineet koulutetusta Fully Convolutional Network -verkostosta (FCN), joka havaitsee ja kvantifioi neurofibrillaariset tangot (NFT) Alzheimerin taudissa ja joukon muita tauopatioita. Koulutettu FCN saavutti suuren tarkkuuden ja muistamisen naiivissa digitaalisessa koko diakuvan (WSI) semanttisessa segmentoinnissa, joka tunnisti NFT -objektit oikein käyttämällä SegNet -mallia, joka on koulutettu 200 aikakautta. FCN saavutti lähes käytännöllisen tehokkuuden keskimääräisellä käsittelyajalla 45 minuuttia / WSI per graafinen prosessointiyksikkö (GPU), mikä mahdollistaa luotettavan ja toistettavan laajamittaisen NFT-tunnistuksen. Mitattu suorituskyky kahdeksan naiivin WSI: n testitiedoissa eri tauopatioissa johti palautukseen , tarkkuuteen ja F1 -pisteisiin 0,92, 0,72 ja 0,81.
Eigenbrain on uusi aivotoiminto, joka voi auttaa tunnistamaan AD: n perustuen pääkomponenttien analyysiin tai riippumattoman komponenttien analyysin hajoamiseen. Polynomisen ytimen SVM on osoitettu saavuttavan hyvän tarkkuuden. Polynomi KSVM toimii paremmin kuin lineaarinen SVM- ja RBF -ytimen SVM. Muita lähestymistapoja, joilla on kunnollisia tuloksia, ovat tekstuurianalyysin, morfologisten ominaisuuksien tai korkean tason tilastollisten ominaisuuksien käyttö
Ydinlääketiede
CADx on saatavana isotooppilääketieteellisille kuville. On olemassa kaupallisia CADx-järjestelmiä luun etäpesäkkeiden diagnosoimiseksi koko kehon luututkimuksissa ja sepelvaltimotaudista sydänlihaksen perfuusiokuvissa.
Suurella herkkyydellä ja hyväksyttävällä väärien vaurioiden havaitsemisnopeudella tietokoneavusteinen automaattinen vaurioiden havaitsemisjärjestelmä on osoittautunut hyödylliseksi ja pystyy todennäköisesti tulevaisuudessa auttamaan isotooppilääketieteen lääkäreitä tunnistamaan mahdolliset luuleesiot.
Diabeettinen retinopatia
Diabeettinen retinopatia on verkkokalvon sairaus, joka diagnosoidaan pääasiassa fundoskooppisilla kuvilla. Teollisuusmaiden diabeetikoille tehdään yleensä säännöllinen seulonta. Kuvantamista käytetään tunnistamaan verkkokalvon epänormaalien verisuonten varhaiset merkit. Näiden kuvien manuaalinen analysointi voi olla aikaa vievää ja epäluotettavaa. CAD: ää on käytetty parantamaan automaattisen havaintomenetelmän tarkkuutta, herkkyyttä ja spesifisyyttä. Joidenkin CAD -järjestelmien käyttö ihmisten tiehöylien korvaamiseen voi olla turvallista ja kustannustehokasta.
Kuvien esikäsittely, ominaisuuksien poiminta ja luokittelu ovat näiden CAD-algoritmien kaksi päävaihetta.
Esikäsittelymenetelmät
Kuvan normalisointi minimoi koko kuvan vaihtelun. Intensiteetin vaihtelut silmän perifeerisen ja keskiosan makula -alueen välisillä alueilla ovat raportoineet aiheuttavan verisuonten segmentoinnin epätarkkuutta. Vuoden 2014 katsauksen perusteella tätä tekniikkaa käytettiin eniten ja se ilmestyi 11: stä 40: stä äskettäin (vuodesta 2011) julkaistusta perustutkimuksesta.
Histogrammin tasaus on hyödyllinen parantamaan kuvan kontrastia. Tätä tekniikkaa käytetään lisäämään paikallista kontrastia. Käsittelyn lopussa tulokuvan tummat alueet kirkastuisivat, mikä parantaisi huomattavasti alueella olevien ominaisuuksien kontrastia. Toisaalta tulokuvan kirkkaammat alueet pysyisivät kirkkaina tai heikkenevät kirkkauden tasaamiseksi kuvan muiden alueiden kanssa. Suonien segmentoinnin lisäksi muut diabeettiseen retinopatiaan liittyvät piirteet voidaan erottaa edelleen käyttämällä tätä esikäsittelytekniikkaa. Mikroaneurysma ja verenvuoto ovat punaisia vaurioita, kun taas eritteet ovat keltaisia täpliä. Kasvava kontrasti näiden kahden ryhmän välillä mahdollistaa kuvien leesioiden paremman visualisoinnin. Tällä tekniikalla vuoden 2014 katsauksessa todettiin, että 10 14: stä äskettäin (vuodesta 2011) julkaistusta perustutkimuksesta.
Vihreän kanavan suodatus on toinen tekniikka, joka on hyödyllinen leesioiden erottamisessa verisuonten sijaan. Tämä menetelmä on tärkeä, koska se tarjoaa maksimaalisen kontrastin diabeettiseen retinopatiaan liittyvien vaurioiden välillä. Mikroaneurysmat ja verenvuodot ovat punaisia vaurioita, jotka näyttävät tummilta vihreän kanavan suodatuksen jälkeen. Sitä vastoin eritteet, jotka näyttävät keltaisilta normaalissa kuvassa, muuttuvat kirkkaan valkoisiksi pisteiksi vihreän suodatuksen jälkeen. Tätä tekniikkaa käytetään enimmäkseen vuoden 2014 katsauksen mukaan, ja se esiintyi 27: ssä 40: stä viimeisen kolmen vuoden aikana julkaistusta artikkelista. Lisäksi vihreän kanavan suodatusta voidaan käyttää optisen levyn keskipisteen havaitsemiseen yhdessä kaksoisikkunajärjestelmän kanssa.
Epätasainen valaistuksen korjaus on tekniikka, joka mukautuu epätasaiseen valaistukseen fundoskooppisessa kuvassa. Epätasainen valaistus voi olla mahdollinen virhe diabeettisen retinopatian automaattisessa havaitsemisessa, koska kuvan tilastolliset ominaisuudet muuttuvat. Nämä muutokset voivat vaikuttaa jälkimmäiseen käsittelyyn, kuten ominaisuuksien poistoon, eivätkä ihmiset voi havaita niitä. Epätasaisen valaistuksen (f ') korjaus voidaan saavuttaa muuttamalla pikselin voimakkuutta käyttämällä tunnettua alkuperäistä pikselivoimakkuutta (f) ja paikallisten (λ) ja haluttujen pikselien keskimääräisiä intensiteettejä (ks. Alla oleva kaava). Walter-Klein-muunnosta käytetään sitten tasaisen valaistuksen saavuttamiseksi. Tämä tekniikka on vähiten käytetty esikäsittelymenetelmä vuoden 2014 katsauksessa.
Morfologiset toimenpiteet ovat toiseksi vähiten käytetty esikäsittelymenetelmä vuoden 2014 katsauksessa. Tämän menetelmän päätavoitteena on parantaa kontrastia, erityisesti tummempia alueita verrattuna taustaan.
Ominaisuuksien poiminnat ja luokitukset
Funduskooppisen kuvan esikäsittelyn jälkeen kuva analysoidaan edelleen eri laskentamenetelmillä. Nykyinen kirjallisuus oli kuitenkin samaa mieltä siitä, että joitain menetelmiä käytetään useammin kuin toisia alusten segmentointianalyyseissä. Näitä menetelmiä ovat SVM, moniasteikko, alusten seuranta, aluekasvatus ja mallipohjaiset lähestymistavat.
Tukivektorikone on ylivoimaisesti eniten käytetty luokittelija alusten segmentoinnissa, jopa 90% tapauksista. SVM on valvottu oppimismalli, joka kuuluu laajempaan mallintunnistustekniikan luokkaan. Algoritmi toimii luomalla suurin aukko datan eri näytteiden välille. Tavoitteena on luoda suurin ero näiden komponenttien välille, mikä minimoi mahdollisen luokitusvirheen. Jotta verisuontetiedot voidaan erottaa muusta silmäkuvasta, SVM -algoritmi luo tukivektoreita, jotka erottavat verisuonipikselin muusta kuvasta valvotun ympäristön kautta. Verisuonten havaitseminen uusista kuvista voidaan tehdä samalla tavalla tukivektoreiden avulla. Yhdistelmä muihin esikäsittelytekniikoihin, kuten vihreän kanavan suodatus, parantaa huomattavasti verisuonten poikkeavuuksien havaitsemisen tarkkuutta. Joitakin SVM: n hyödyllisiä ominaisuuksia ovat
- Joustavuus - Erittäin joustava toiminnallisesti
- Yksinkertaisuus - Yksinkertainen, varsinkin suurilla tietojoukoilla (vain tukivektoreita tarvitaan tietojen erottamiseksi toisistaan)
Moniasteikko on monen resoluution lähestymistapa alusten segmentoinnissa. Pienellä resoluutiolla voidaan ensin ottaa halkaisijaltaan suuret astiat. Suurentamalla resoluutiota voidaan helposti tunnistaa suurten alusten pienemmät oksat. Siksi tämän tekniikan käytön etuna on lisääntynyt analyyttinen nopeus. Lisäksi tätä lähestymistapaa voidaan käyttää 3D -kuvien kanssa. Pintaesitys on alusten kaarevuudelle normaali pinta, joka mahdollistaa poikkeavuuksien havaitsemisen aluksen pinnalla.
Alusten seuranta on algoritmin kyky havaita alusten "keskiviiva". Nämä keskiviivat ovat suonen kaarevuuden huippu. Alusten keskukset löytyvät Gaussin suodattimen toimittamista suuntatiedoista. Samanlaisia keskilinjan käsitteitä hyödyntäviä lähestymistapoja ovat luuranko- ja differentiaaligeometriapohjaiset.
Alueiden kasvatusmenetelmä on tapa havaita samankaltaisia vierekkäisiä pikseleitä. Tällaisen menetelmän aloittamiseksi tarvitaan siemenpiste. Tämän tekniikan toimimiseen tarvitaan kaksi elementtiä: samankaltaisuus ja avaruudellinen läheisyys. Siemenpikselin viereinen pikseli, jolla on samanlainen intensiteetti, on todennäköisesti samaa tyyppiä ja lisätään kasvualueelle. Yksi tämän tekniikan haittapuoli on se, että se vaatii siemenpisteen manuaalisen valinnan, mikä tuo esijännitystä ja epäjohdonmukaisuutta algoritmiin. Tätä tekniikkaa käytetään myös optisten levyjen tunnistuksessa.
Mallipohjaiset lähestymistavat käyttävät esitystä kuvien poistamiseen. Tunnetaan kolme laajaa mallipohjaista luokkaa: epämuodostumaton, parametrinen ja mallin sovitus. Deformoitavissa menetelmissä käytetään objekteja, jotka muuttuvat kuvan kohteiden ääriviivojen mukaan. Parametrisessa käytetään geometrisia parametreja, kuten verisuonten putkimainen, sylinterinen tai ellipsoidinen esitys. Klassista käärmeen ääriviivaa yhdessä verisuonten topologisen tiedon kanssa voidaan käyttää myös mallipohjaisena lähestymistapana. Lopuksi mallin sovitus on mallin käyttö, joka on asennettu stokastisella muodonmuutosprosessilla käyttäen piilotettua Markov -tilaa 1.
Vaikutukset työllisyyteen
Lääketieteellisen diagnoosityön automatisoinnilla (esimerkiksi punasolujen kvantifioinnilla ) on jonkinlainen historiallinen ennakkotapaus. Syvällisen oppimisen vallankumous 2010-luvun on jo saatu Aitousvarmennuksilla jotka ovat tarkempia monilla visuaalinen diagnoosi kuin radiologien ja ihotautilääkärit, ja tämä ero odotetaan kasvavan. Jotkut asiantuntijat, mukaan lukien monet lääkärit, suhtautuvat halveksivasti tekoälyn vaikutuksiin lääketieteellisiin erikoisuuksiin. Sitä vastoin monet taloustieteilijät ja tekoälyn asiantuntijat uskovat, että radiologian kaltaiset alat häiriintyvät massiivisesti työttömyyden tai radiologien palkkoja alentavan paineen vuoksi; Sairaalat tarvitsevat kokonaisuudessaan vähemmän radiologeja, ja monet vielä olemassa olevista radiologeista vaativat huomattavaa uudelleenkoulutusta. Geoffrey Hinton , "syvän oppimisen kummisetä", väittää, että (ottaen huomioon seuraavien viiden tai kymmenen vuoden aikana odotettavissa olevat edistysaskeleet) sairaaloiden tulisi välittömästi lopettaa radiologien kouluttaminen, koska niiden aikaa vievä ja kallis visuaalisen diagnoosin koulutus on pian useimmiten vanhentuneita, mikä johtaa perinteisten radiologien runsauteen. Op-ed JAMA mukaan patologeja ja radiologit tulisi yhdistää yhdeksi "informaatikko" rooli, ja toteavat, että "Jotta korvataan tietokoneissa, radiologien on sallittava itseään korvata tietokoneita." Informaatioasiantuntijoita koulutettaisiin "Bayesin logiikasta, tilastoista, datatieteestä" ja joistakin genomiikasta ja biometriikoista; manuaalinen visuaalinen kuvion tunnistus olisi huomattavasti vähäisempää verrattuna nykyiseen rasittavaan radiologian koulutukseen.
