Derin öğrenme-AET'ye dayalı göğüs röntgeni görüntü analiz sistemi
0 Önsöz
Plevral efüzyon, sık görülen bir klinik plevral hastalıktır ve aynı zamanda birçok hastalığa eşlik eden bir belirtidir.İstatistiklere göre 50'den fazla hastalık doğrudan veya dolaylı olarak plevral efüzyona neden olabilir. Anormal göğüs değişiklikleri olan 68 lösemi hastası arasında, 49 lösemi vakası akciğer grafisi,% 72'sini oluşturan invazif değişiklikler gösterdi. Ayrıca amfizem, pnömotoraks ve atelektazi de bazı ciddi hastalıkların belirtileridir. Bireysel farklılıklar nedeniyle, bu semptomlar hastalığın erken evrede veya hastalığın ortaya çıkmasından önce mutlaka açık değildir.Hastanenin radyoloji bölümünün geleneksel tanı yöntemleri, ilgili semptomları zamanında ve doğru bir şekilde tespit edemeyebilir ve doktorlara karar verme için bir temel sağlayamayabilir, bu da hastaların ilgili semptomları erken alamamasına neden olabilir. Tedavi ve en iyi tedavi süresini kaçırma.
Geleneksel bilgisayar destekli göğüs röntgeni tıbbi görüntü tanıma, esas olarak belirli görevler için tanıma kuralları oluşturmak, özellikleri manuel olarak çıkarmak ve özellik eğitimini gerçekleştirmek içindir.Bu şema, manuel etiketleme sürecinden hala ayrılamaz. Manuel etiketlemenin öznel problemi nedeniyle, tanıma doğruluk oranı büyük ölçüde dalgalanır. Kasım 2017'de, Enda Wu'nun Stanford Üniversitesi'ndeki ekibi, NIH (Ulusal Sağlık Enstitüleri) göğüs röntgeni görüntü veri setini eğitmek ve test etmek için evrişimli bir sinir ağı kullanan CheXNet adlı yeni bir teknoloji önerdi ve sızdı. Tespit doğruluk oranı% 88.31, plevral efüzyon saptama doğruluk oranı% 72.04, amfizem% 92.60, pnömotoraks% 89.32 ve atelektazi% 82.09 Doğruluk oranı, uzun yıllara dayanan deneyime sahip radyologlardan daha yüksektir. Bununla birlikte, bu yöntem, eğitim için 121 katmanlı bir evrişimli sinir ağı kullanır Derin bir sinir ağının kullanılması nedeniyle, eğitim süreci yüksek bilgisayar ekipmanı donanımı gerektirir ve eğitim süresi uzundur.Eğitimli model büyüktür ve nakil için elverişli değildir. Tanımlama için gömülü platforma gidin. Bu makale, GPU sunucusundaki hafif evrişimli sinir ağı MobileNet'leri kullanarak göğüs röntgeni görüntü verilerini eğitmek ve eğitimli ağ modelini gömülü Jetson TX2 çekirdek kartına aktarmak ve gömülü platform altında göğüs röntgeni görüntülemeyi gerçekleştirmek için bir yöntem önermektedir. Optik görüntü verilerini analiz etme yöntemi. Bu yöntem, Wu Enda'nın ekibi tarafından önerilen algılama yönteminden daha yüksek bir tanıma doğruluğuna sahiptir ve X-ışını görüntü veri analizi için gereken süreyi kısaltır.
1 Göğüs röntgeni analiz sisteminin genel tasarımı
Bu makaledeki göğüs röntgeni görüntü analiz sistemi temel olarak üç bölümden oluşmaktadır: eğitim modülü, tanıma modülü ve ağ aktarım modülü Tüm sistemin gömülü platformu NVIDIA tarafından üretilen Jetson TX2 çekirdek kartı üzerine inşa edilmiş ve tüm sistem bu platform üzerinden gerçekleştirilmiştir. Sistemin koordineli kontrolü. Eğitim modülü, GPU sunucusunda evrişimli bir sinir ağı modeli oluşturmak için derin öğrenme teknolojisini kullanır ve ardından modeli etiketli X-ışını görüntü veri setini eğitmek için kullanır ve eğitimli sinir ağı modelini Jetson TX2 çekirdek kartına aktarır. Tanıma modülü, X-ışını makinesinden alınan göğüs X-ışını görüntü verilerini analiz etmek ve normal, plevral efüzyon, infiltrasyon, amfizem ve pnömotoraks elde etmek için gömülü platformun altındaki Jetson TX2 çekirdek kartına nakledilen sinir ağı modelini kullanır. Ve altı atelektazi kategorisinin sınıflandırma sonuçları. Ağ iletim modülü temel olarak iki kısma ayrılmıştır, biri X-ray makinesi tarafından alınan göğüs X-ray görüntüsünü Ethernet modülü aracılığıyla gömülü platforma iletmek, diğer kısmı ise gömülü platform tarafından alınan göğüs X-ışını görüntü bilgisini WiFi modülü aracılığıyla iletmektir. Ve gömülü platform, görüntü verilerinin analiz sonuçlarını veri depolama ve dağıtımı için hastane bulut platformuna yükler ve ilgili bölümlerdeki doktorlara hastalık teşhisi için karar verme temeli sağlar. Göğüs X-ışını görüntü analiz sisteminin spesifik tasarım blok diyagramı Şekil 1'de gösterilmektedir.
2 Göğüs röntgeni analiz sisteminin donanım tasarımı
Gömülü çekirdek kart Jetson TX2, göğüs röntgeni görüntü analiz sisteminin donanım platformunu birlikte oluşturmak için Ethernet modülü ve WiFi modülü gibi temel işlevsel modüller ile donatılmıştır. Jetson TX2 çekirdek kartı, taşıyıcı olarak Tegra Parker işlemcisini kullanır, Ubuntu 16.04 işletim sistemi ile donatılmıştır ve daha sonra gömülü platform altında göğüs röntgeni görüntü analizi ve veri iletimini gerçekleştirmek için Ethernet modülü ve WiFi modülü ile işbirliği yapar.
Göğüs röntgeni görüntü analiz sisteminin ağ iletişim modülü temel olarak iki bölümden oluşmaktadır: Birinci bölüm X-ray makinesi ile gömülü platform arasındaki ağ aktarımıdır.Bu bölüm, ağırlıklı olarak hastane LAN'da çekimi gerçekleştiren Ethernet modülü tarafından tasarlanmış ve gerçekleştirilmiştir. Göğüs röntgeni görüntü verilerinin Ethernet üzerinden Jetson TX2 çekirdek kartına iletilmesi işlevi Ethernet iletişim modülünün çevresel devre şeması Şekil 2'de gösterilmektedir. İkinci bölüm, gömülü platform ile hastane bulut platformu arasındaki iletişim işlevidir. WiFi modül tasarımı sayesinde, esas olarak, Jetson TX2 çekirdek kartı tarafından alınan X-ray görüntü verilerini ve veri analizi sonuçlarını hastane bulut platformuna yükleme işlevini gerçekleştirmektedir.WiFi iletişim modülünün çevresel devre şeması Şekil 3'te gösterilmiştir.
3 Göğüs röntgeni analiz sisteminin yazılım tasarımı
Göğüs röntgeni analiz sisteminin yazılım tasarımı iki bölümden oluşur: GPU sunucu tarafı programlama ve gömülü taraf programlama. GPU sunucu tarafı programlama, temel olarak Keras derin öğrenme çerçevesine dayanır, arka uç olarak TensorFlow kullanır, göğüs röntgeni tıbbi görüntü veri setindeki görüntü boyutunu normalleştirmek için Python dilinde programlama ve ardından MobileNets evrişimli sinir ağını kullanır. Veri kümesini eğitin ve eğitimli sinir ağı modelini gömülü platforma aktarın. Gömülü platform programlama temel olarak gömülü platformda derin öğrenme için gereken işletim ortamını yapılandırmak, Python yüksek seviye programlama dilini kullanmak, gömülü platformda GPU sunucusu üzerinde eğitilmiş sinir ağı modelini okumak ve modeli kullanmaktır. Alınan göğüs röntgeni görüntü verilerini sınıflandırın ve tanıyın. Göğüs röntgeni görüntü analiz sisteminin yazılım tasarım süreci Şekil 4'te gösterilmektedir.
MobileNets ağına dayalı 4 Göğüs X-ray görüntü analizi
MobileNets ağı, Google tarafından sağlanan, çoğunlukla cep telefonlarında ve gömülü cihazlarda kullanılan hafif, derin evrişimli bir sinir ağıdır. Sinir ağı, hafif, derin, evrişimli bir sinir ağı oluşturmak için derin ayrılabilir evrişim kullanan, aerodinamik ve verimli bir ağ mimarisine dayanmaktadır. MobileNets evrişimli sinir ağı, hesaplama miktarını azaltmak ve modelin boyutunu küçültmek için standart evrişimi derin bir evrişime ve bir nokta evrişime (1 × 1) çözebilir. Spesifik ayrıştırma adımları Şekil 5'te gösterilmektedir, burada M giriş kanallarının sayısını temsil eder, DK evrişim çekirdeğinin genişliğini ve yüksekliğini temsil eder, DF giriş özelliği haritasının genişliğini ve yüksekliğini temsil eder ve N çıkış kanallarının sayısını temsil eder.
Şekil 5'ten standart evrişimin hesaplama maliyetinin aşağıdaki gibi olduğu anlaşılabilir:
Standart evrişim ve derinlik ayrılabilir evrişimin hesaplama maliyetinin karşılaştırılması yoluyla, MobileNets ağının, evrişim çekirdeğinin esnek uygulaması yoluyla ağ modeli parametrelerinin miktarını azalttığı ve hesaplama maliyetinin büyük ölçüde azaltıldığı sonucuna varılabilir.
MobileNets, toplam 28 ağ katmanına sahiptir.Tamamen bağlı son katman dışında, ağın her katmanı, ağın eğitim hızını artırmak için her bir nörona BN algoritması ile normalleştirilir.
Sistem olarak altı normal, plevral efüzyon, infiltrasyon, amfizem, pnömotoraks ve atelektazi kategorisinden NIH göğüs röntgeni görüntü veri setinden toplam 81.200 görüntü çıkarmak için Ubuntu 16.04 sistemi altında bir kabuk komut dosyası programı yazın Çıkarılan veri seti X-ışını olarak adlandırılır X-ışını veri seti 60384 normal görüntü, 9551 infiltrasyon görüntüsü, 3959 plevral efüzyon görüntüsü ve 895 amfizem görüntüsü içerir. , 2199 pnömotoraks görüntüsü ve 4212 atelektazi görüntüsü. Modeli eğitmeden önce, veri setindeki görüntüleri önceden işleyin ve her görüntünün çözünürlüğünü 128 × 128 olarak normalleştirin ve ardından verileri eğitim seti ve test setine bölün, eğitim seti% 75'tir. , Test seti% 25'tir. Veri setinin eğitim sürecinde ağı optimize etmek için ADM algoritması, tüm ağın kayıp fonksiyonu olarak logaritmik kayıp fonksiyonu, aktivasyon fonksiyonu olarak sigmoid fonksiyonu kullanılmış ve yineleme sayısı 4.000 olarak ayarlanmıştır. Bu deneyde eğitimin sona erdiğinin işareti esas olarak iki yönden incelenir: Birinci yön, tüm eğitimin belirlenen yineleme sayısının üst sınırına ulaşması ve eğitimin sona ermesidir. İkinci yön, kayıp (kayıp fonksiyonu) değer yakınsamasının artık azalmamasıdır. Şimdiki durumda ağın temelde optimizasyona ulaştığı ve eğitimin bittiği düşünülebilir. Eğitimden sonra, gömülü platform altında göğüs röntgeni görüntü verilerini analiz etmek için elde edilen ağı Jetson TX2 çekirdek kartına aktarın.
5 Sistem sonuçlarının analizi
Bu deneyde, MobileNets evrişimsel sinir ağı, plevral efüzyon ve infiltrasyon semptomlarını tanımlayabilen bir sinir ağı elde etmek için 81.200 göğüs röntgeni görüntüsünden rastgele seçilen 60.900 göğüs X-ışını görüntüsünü eğitmek için kullanıldı (% 75'e tekabül ediyor). Model eğitimi gerçekleştirirken, her Epoch'u 200 yinelemeyi temsil edecek şekilde ayarlayın. Epoch = 13 olduğunda, yani yineleme sayısı 2600'e ulaştığında, kayıp değeri birleşir. Bu sırada ağ temel optimizasyona ulaşır ve tüm eğitim sona erer. Yaklaşık 90 dakika sürer. , Bu yöntem, Wu Endanın eğitim için 121 katmanlı evrişimli ağ kullanan ekibinden daha az zaman alıyor. Eğitim sırasında kayıp değeri değişim süreci Şekil 6'da gösterilmektedir.
Eğitimden sonra, model gömülü platforma nakledildi ve kalan 20.300 göğüs röntgeni görüntüsü (% 25'i oluşturan), iki plevral efüzyon ve infiltrasyon kategorisi için tüm modelin ortalama tanıma oranını doğrulamak için test seti olarak kullanıldı. Ortalama% 91.01 doğruluk oranı elde edilir ve normal kategorinin tanıma doğruluk oranı% 98.68'e ulaşır. Bu makalede bahsedilen göğüs röntgeni görüntü analiz sistemi ML-XNet olarak adlandırılır. Tablo 1, profesyonel radyologlar ve Wu Enda'nın plevral efüzyon, infiltrasyon, amfizem, pnömotoraks ve atelektazi ekibi tarafından önerilen CheXNet teknolojisi ve ML-XNet'in tanıma doğruluğunu göstermektedir.
Tablo 1'den bu makalede kullanılan yöntemin plevral efüzyon, infiltrasyon, amfizem, pnömotoraks ve atelektazinin beş yaygın semptomunu belirlemede radyolog ve CheXNet yönteminden daha iyi olduğu görülebilir.
Test için 4 göğüs röntgeni görüntü verisini rastgele iletin Tanımlama süresi yaklaşık 30 saniyedir ve bu, mevcut radyoloğun tespit süresinden çok daha düşüktür Test sonucu, Gerçekliğin görüntüye karşılık gelen semptomların gerçek değeridir. , Tahmin, bu makalede açıklanan yöntem kullanılarak analiz edilerek elde edilen tahmini değerdir, Pneumothrax pnömotoraksı, Sızma infiltrasyonu temsil eder ve Ateletaz, atelektaziyi temsil eder. Bu sistem tarafından yapılan dört göğüs röntgeni görüntüsünün tahmin sonuçlarının gerçek sonuçlarla tutarlı olduğu şekilden görülebilmektedir.
6. Sonuç
Jetson TX2 çekirdek kartındaki GPU sunucusu üzerinde eğitilmiş MobileNets evrişimli sinir ağı modelini naklederek sistem, gömülü platform altında göğüs röntgeni görüntülerinin analizini gerçekleştirir. X-ışını makinelerinin geliştirilmesiyle, bu sistemdeki gömülü tanıma platformu, göğüs röntgeni görüntülerini alabilen ve göğüs röntgeni görüntülerini analiz edebilen hepsi bir arada bir makine üretmek için X-ışını makineleriyle birleştirilebilir. Görüntü analizi daha yüksek doğruluk oranına ve daha kolay kullanıma sahiptir.
Referanslar
Li Xiangyun, Li Wei, Zhang Zeming. Tüberküloz ve malign plevral efüzyonun ayırıcı tanısında araştırma ilerlemesi.Çin Sürekli Tıp Eğitimi, 2018, 10 (11): 109-112.
Shang Yanhai, Zhang Shuxiang, Zhang Zhiwei, ve diğerleri Löseminin göğüs infiltrasyonunun klinik X-ışını bulguları (68 vakanın analizi ile). Journal of Medical Imaging, 2002 (6): 449-451.
Zhang Qiaoli, Zhao Di, Chi Xuebin. Derin öğrenmeye dayalı tıbbi görüntüleme teşhisinin bir incelemesi. Computer Science, 2017, 44 (S2): 1-7.
Luo Tao, Mou Xuanqin. Göğüs röntgeni görüntülerinde nodül tespiti için çok ölçekli uyumlu bir filtre. Xian Jiaotong Üniversitesi Dergisi, 2011, 45 (4): 30-35.
Xue Dixiu. Evrişimli Sinir Ağına Dayalı Tıbbi Görüntü Kanseri Tanıma Araştırması. Hefei: Çin Bilim ve Teknoloji Üniversitesi, 2017.
HOWARD A G, ZHU M, CHEN B, ve diğerleri Mobil Ağlar: Mobil görme uygulamaları için verimli evrişimli sinir ağları. AvXiv: 1704.04861.
He Xueying, Han Zhongyi, Wei Benzheng. Derin öğrenmeye dayalı meme kanseri patolojik görüntülerinin otomatik sınıflandırması. Bilgisayar Mühendisliği ve Uygulamaları, 2018 (12).
yazar bilgileri:
Zhou Jinfan, Zhang Rongfen, Ma Zhinan, Ge Zili, Liu Yuhong
(Büyük Veri ve Bilgi Mühendisliği Fakültesi, Guizhou Üniversitesi, Guiyang 550025, Guizhou)
