זיהוי אוטומטי של מספר רב של סקלרוזיס לסורים במוח מר עם למידה עמוקה

הבנה של מספר Sclerosis ותפקיד של MRI

מספר רב של sclerosis (MS) הוא מחלה כרונית, דלקתית של מערכת העצבים המרכזית המשפיעה על 2.8 מיליון אנשים ברחבי העולם.סימן ההיכר הפתולוגי של MS הוא היווצרות של נגעים מוקד - הם של demyelination, דלקת, גליוזיס - מכווץ לאורך המוח וחוט השדרה.

הדמיה של התחדשות מגנטית (MRI) היא אבן הפינה של אבחון MS ו ניטור. MRI מספק הדמיה גבוהה, לא פולשנית של רקמת המוח והוא רגיש מאוד לשינויים הקשורים עם לוחות demyelinating.ה-FLT:0McDonald IndexFLT:1 להסתמך במידה רבה על ראיות של הפצת מתחל בחלל וזמן כדי לאשר אבחנה ראשונית, אבחון, מעבר לאבחון, הם בדיקות טיפוליות, טיפוליות, טיפוליות, מעבר לאבחון.

זיהוי עקבי ועקבי של נגעים MS ב-MRI הוא קריטי.עם זאת, פלח ידני על ידי קורנולוגים הוא כוח-רגיש, סובייקטיבי, ו נוטה לגמישות בין-רטר. הגבלה זו הניעה מחקר אינטנסיבי לגישות אוטומטיות, אלגוריתמיות, עם למידה עמוקה מתפתחת ככלי רב-עוצמה ומבטיח ביותר עבור חיסורת ריצוף וזיהוי קוונטי.

הדחף הקליני להתאמה אוטומטית

lesions להשתנות במידה רבה בגודל, צורה, מיקום ועוצמה אות.הם יכולים להיות (FLT:0 FocussFLT:1 או FLT:2confluentalph3, ואת המראה שלהם תלוי רצף ה-MRI המשמש (T1-משקל, T2-משקל, FLAIR, או ניגודיות T60 Active Active Active Active Implantions בדרך כלל משפר את הדימום הזה - כאשר הוא משקף את כל סוגי השבר בינוניים, כאשר הוא משקף את כל סוגי השבר בינוניים, כלומר, 000, 000, 000, 000, 000, 000, 000, 000, 000 של חומר זה, 000, 000 של חומר ניקוי בינוניים, 000, 000, 000, 000, 000, 000, 000 משקל, 000, 000, 000, 000, 000, 000, 000 משקל, 000 משקל, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 משקל, 000, 000 משקל, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 קלוש משקל, 000, 000,

פיזור לטילוק אוטומטי מציע מספר יתרונות:

(ב) ⁇ :0) ⁇ : 1FLT:1 Algorithms לייצר תוצאות חוזרות על פני סורקים שונים ונקודות זמן, צמצום סובייקטיביות.
(ב) ⁇ :0) ,(הרחבה: 1) מניסויים קליניים או מחקרים באוכלוסייה ניתן לעבד במהירות.
(FLT:0) הדיוק המאפיין: FLT:1, מדידות כרך מורכב של נטל (נפח עול, ספירת עול) תואמים חזק יותר עם מוגבלות מאשר ציונים סובייקטיביים.
ניתוח ארוך-טווח: 1.10.10.10.1, רישום אוטומטי וטכניקות תת-קרקעיות יכול לזהות מכשולים חדשים או להרחיב עם רגישות רבה יותר מאשר בדיקה חזותית.

בהתחשב ביתרונות אלה, שילוב מודלים למידה עמוקה לתוך צינורות רדיולוגיה קלינית הוא מטרה עתירה גבוהה לטיפול MS.

מדוע סגמנטציה ידנית נשארת בלתי נמנעת

אפילו בין נוירורגיולוגים מנוסים, הסכמה בין-רטר לפרשת ⁇ MS היא צנועה.מחקר שפורסם ב-FLT:0Neuro Image: Clinicalph:1 מצא את התקני דמיון של Dice בין תעריפים של רק 0.65-0.75 עבור מסכות טי2.

גם מיפוי ידני מתאים ל-FLT:0ultra-High-field MRIirFLT:1 (7 טסלה ומעלה), אשר חושף הרבה יותר נגעים קטנים שאינם נראים ב-1.5 או 3 טסלה.

תוצאות למידה עמוקות עבור Lesion Segmentation

למידה עמוקה, תת-שדה של למידת מכונה המבוססת על רשתות עצביות רב-שכבות, מהפכה בניתוח תמונה רפואית. רשתות עצביות מהפכתיות (CNN) יעילים במיוחד עבור משימות מרחביות כמו פלח, משום שהן לומדות ייצוגים היררכיים ישירות מהנתונים של תמונה - מבלי לדרוש תכונות בעלות יד.- CNN טיפוסית עבור פלחציה לוקחת נפח MRI (או סט של 2D פרוסות) ופלט של פיקסלים המציגים בנוכחות הסתברות.

רשתות ערפיליות מהפכות בMS Lesion Segmentation

גישות למידה עמוקות מוקדמות השתמשו ב-CNN מבוססי כתם אשר מסווגים כל voxel על ידי ניתוח תיקון סביב 3D. בעוד יעיל, שיטות אלה היו יקרות חישובי ויצרו פלחות coarse.המבוא של רשתות אבולוציה מלאה (FCN), ובמיוחד אדריכלות U-Net (Ronneberger et al., 2015), שינוי השדה.U-Net משתמש ב-code-der-code עם מבנה דק, המאפשר שמירה על פני שטח, המאפשר, המאפשרים, כדי לתקן פרטים מרחביים, המאפשרים, כדי לתקן פרטים.

משתנים של U-Net הפכו לסטנדרט דה- Facto עבור פיזור של חתונות MS:

(FLT:0)3D U-Net:FLT:1 Extends U-Net לשלושה ממדים, לכידת הקשר הנפחי. אידיאלי עבור נתונים של MRI אנזוטרופי.
(ב)הדגשה U-Net:FLT:1 משלבת שערי תשומת לב להתמקד באזורי עול ומדכא רקע לא רלוונטי.
(FLT:0)nU-Net (לא חדש-Netori): מסגרת הגדרה עצמית שמתאים באופן אוטומטי את האדריכלות, עיבוד ואימון היפרפרמטרים להופעת הנתונים.

מודל היברידית ומודלים חדשניים

לאחרונה, מהפךי ראייה (ViTs) כבר מיושם על פי מגזר רפואי. Transformers להשתמש מנגנונים של כוונות עצמית כדי מודל תלות לטווח ארוך, אשר יכול לעזור להבחין בין les של MS מבנים אחרים היפר-חושים (למשל, חללים perivascular, infars), ארכיטקטורות היברידית של CNN-Transformer, כגון Transunet ו-SUNwin, משלבת את הקונסטנטיות המקומית של מהפכת נתונים תחרותית במיוחד על ידי חומרים מתקדמים (Preeogens) על ידי ביצועים מתקדמים (Preminterials) על ידי מודלים של נתונים מתקדמים).

מידע הדרכה, עיבוד, ו Augmentation

איכות ומגוון של נתוני הדרכה קובעים ישירות את ביצועי המודל.מודלים של טרשת נפוצה מאומן בדרך כלל על רב-הספיקת MRI:0T1- במשקל FLT:1,FLT:2T2-משקל על-ידי רב-המידה: (FLT:4FLAIRFLT:5, ו- אופציונלית:2T2-Flasticestpheric) רצף של ספקטרום 7Kerta-Ricercerta-R.

נתונים סטטיסטיים של MS Lesion Datasets

מספר נתונים זמינים לציבור הרחב יש מחקר מואץ:

(ב) ,0ISBI 2015 MS Lesion Segmentation Challenge:03 מכיל 21 אימונים ו-42 מקרי מבחן משני סורקים שונים, עם סטיות ידניות.
(FLT:0MSSEG (Multiple Sclerosis Segmentation) אתגרים: המחשה 1 MSSEG-1 (2016) ו- MSSEG-2 (2021) נתונים מספקים נתונים רב-מרכזיים, רב-סנר עם אנטונות קונצנזוס מומחים.
(FLT:0) Longitudinal MS Lesion Segmentation Dataset:FLT:1 כולל סריקות סדרתיות מחולים לאורך זמן, המאפשרות הערכה של גילויי שבץ.

(הופנה מהדף ⁇ ) [15] (השתמש ב-N4ITK), כולל את ה-N4ITK (ב-N4ITK), ההרחבה של 2skull פסEPFLT 3,FLT:4intensity Normalization:5 (Z-Score או שלו תואם), ו-FLT:6 לתבנית משותפת של 7.

הערכה לתקנות Segmentation Accuracy

מדדים סטנדרטיים להערכת מודלים של טרשת נפוצה כוללים:

(FLT:0Dice similarity Coefficient (DSC): ההרחבה של מד"ר (DSC): מדדים מרחביים חופפים בין מסכות חיזוי וטעון חוצות-אמת. A DSC מעל 0.70 נחשב טוב; מודלים ממשלתיים של האמנות להשיג 0.75-0.85 על נתונים טיפוסיים.
(ב) (הדגשה:0) רגישות (הזכירה): 1FLT:1 Proportion of True lesions זוהה.
(העיקרון) (הערך החיזויי הבסיסי): ⁇ 1:1 של נגעים חזופים שהם מושגים אמיתיים. דיוק נמוך מוביל לגילויים חיוביים שקריים שיכולים לבלבל את הרופאים.
(FLT:0Lesion-wise Metrics: FIRLT:1 , F1 ציון עבור גילוי ⁇ (per-lesion, Not per-voxel), ערך חיזוי חיובי עבור ספירות של דבקות, וקורל נפח (Pearson r for Total lesion נפח).
(ב) [המרחק]:0 [הדורף] (95th%ile): ⁇ FLT:1 העריך את דיוק הגבול.גבולות של לסיון הם לעתים קרובות בלתי סדירים, כך ש-HD95 נמוך יותר מציין פלמנטציה חדה יותר.

מודלים ממשלתיים-of-the-art בדרך כלל מדווחים על DSC בטווח של 0.75–0.82 על נתונים רב-מרכזיים מאתגרים, עם רגישות סביב 0.80-0.90. עם זאת, הביצועים יכולים לרדת באופן משמעותי על נתונים מסורקים לא נראים או אוכלוסיות חולים, תוך הדגשת בעיית ההכללה של התחום.

ביצועים נוכחיים ולימודי נציג

פרסומים אחרונים מפגינים את בגרותו של למידה עמוקה עבור חטיבת ה-MS.לדוגמה, מחקר 2023 על ידי FPLT:0)Birenbaum et al.veFLT:1 השתמש בהרכב של 3D NNU-Nets שהוכשר על חמישה נתונים ציבוריים והשגתו ממוצע DSC של 0.82 במבחן שנערך על ידי Valverde et al. (2022) משולב מצב של דיווח אקראי על שטח DSC של 0.82 על בדיקה שנערכה על ידי Valverid et al.

מספר פתרונות מסחריים, כגון FLT:0 icobrain meursFLT 1:1 (icometrix) ו-FLT:2metrixFLT 3, כבר לשלב פערי עול למידה עמוקים לתוך תרגול קליני.

שילוב לתוך זרימת עבודה קלינית

עבור מודלים למידה עמוקה להפוך לכלים שגרתיים, הם חייבים להיות מוטבעים בצורה חלקה לתוך זרימות עבודה של רדיולוגיה.שלבים מרכזיים כוללים:

(FLT:0)Automated DICOM ingestion:03: 1:1 המערכת מזהה באופן אוטומטי רצפי MRI נכונים (למשל, FLAIR, T2) וגורם פלחציה.
(ב) אינטגרציה:0 PACS: FLT:1, מסכות ליון חוזרים כמו יתר על המידה או עיגולים מצופים PACS סטנדרטיים.
(FLT:0)דיווחים חשבונאיים: FLT:1 התוכנה יוצרת דוחות מובנים עם נפח של דבקות מוחלט, ספירות של עול חדש / הגדלת דירוג גבוה יחסית לנורמות הגיל והמין.
(ב) השוואה בין מדרש:0) ל[[1924]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]

לאחר מכן, רדיולוגים יכולים להשתמש בפלטים אלה כ"קורא שני" כדי להגביר את היעילות והדיוק.בסביבות קליניות עסוקות, פלח היטל האוטומטי הוכח להפחית את זמן הקריאה ב-30–50% תוך שיפור ההסכם בין-רטר.

אתגרים ומגבלות

למרות התקדמות מרשימה, כמה מכשולים נותרו לפני למידה עמוקה ניתן לאמץ באופן אוניברסלי עבור זיהוי של שבץ MS.

שינוי דומיין והגנרליזציה

מודלים שהוכשרו על נתונים מסורק MRI אחד או מוסד לעתים קרובות לבצע בצורה גרועה על נתונים של אחר.הבדלים בחוזק השדה המגנטי, רצף הדופק, תצורה סליל, ודמוגרפיות המטופל גורם לשינויי הפצה שמצמצמצמים את הדיוק של אימון רב מרכזי וטכניקות הסתגלות דומיין (למשל, הכשרה אדמיראלית, אסטרטגיות נורמליזציה) הם תחומי מחקר פעילים, אבל עדיין לא קיים פתרון אוניברסלי.

המונחים:

נגעים במוח תופסים חלק קטן מאוד של נפח המוח הכולל - באופן רטי פחות מ-1% -2%. חוסר איזון מעמד קיצוני זה יכול להטיא מודלים לחיזוי רקע, במיוחד כאשר אימון עם פונקציות אובדן סטנדרטיות, אובדן דיו, אובדן מוקד, ואסטרטגיות מתקדמות דגימה משמשים כדי להפחית את הבעיה הזאת, אבל כתמים קטנים או עדינים (למשל, cortical או infratorial vultorial s) נשארים קשה לזהות.

חוסר יכולת ואמון

מודלים מעמיקים של למידה מטופלים לעתים קרובות כ"קופסאות שחורות" (המכונים "המכונים" מרפאות) מבינים כי הם יכולים לסמוך על תפוקה אוטומטית ללא הבנה מדוע אזור מסוים נמס כסימן לחיקוי: טכניקות כגון FLT:0saliency מפות פיתוי 1,FLT:2Grad-CAMFLT 3, ו-FLTtphatphatphaation for הדמיה: 5) הם עדיין לא יכולים לספק תובנה קלינית חשובה.

אפשרויות ל- Ground Truth

מוסכמות ידניות המשמשות לאימון הן עצמן בלתי מושלמות.המחלוקות בין הרדיולוגים המומחים מציגות רעש תוויות המגביל את התקרה של ביצועי המודל.חלק מהקבוצות חוקרות את FLT:0 Soft LabelssualFLT:1 (מסכות קונצנזוס פרוביולוגיות) או FLT:2multi-rater TrainingFLT 3 כדי להסביר על חוסר יכולת חיסון, אך זו נותרה שאלה פעילה.

כיוונים עתידיים

הדור הבא של זיהוי לקות מוטציות ב-MS אוטומטי יכיל מספר חידושים:

(FLT:0) Multimodal fusion:FLT:1 משלב MRI מבני עם דיפוזיה דיפוזיה Tenor הדמיה (DTI), יחס העברת מגנטיזציה (MTR), או דלקת פליטת positron הפלמוגרפיה (PET) יכול לחשוף נזק רקמות נוסף מעבר לנקודות מיקוד (למשל, פגיעה רגילה במשקל לבן).
(FLT:0) מודלים ארוכי טווח: FLT:1 במקום לפרט כל נקודה באופן עצמאי, מודלים זמניים יכולים למנף סריקות קודמות כדי לחזות אבולוציה של דבקות, שיפור הרגישות לשינויים עדינים ולהפחית חיובי כוזב מממצאים רישום.
(FLT:0) למידה בפיקוח: FLT:1 הפחתה התלות על סטיות יקרות, פלסיל-דרג על ידי אימון על תוויות כפירה (למשל, נוכחות עולעת / חתונה לפרסה או לאזור) עלולה להאיץ את הסקאלה למאגרי נתונים גדולים.
(FLT:0) ניתוח בזמן אמת: 1FLT:1 אדריכלות מייעלת (למשל, MobileNet מבוסס CNN, טרנספורמצינים יעילים) יכול לאפשר פילוח על קונסולת הסורק במהלך הבדיקה, מתן משוב מיידי נוירורגיולוגים.
(FLT:0) estimation:FreaLT:1; Bayesian Deep Learning או שיטות הרכב יכול לספק מרווחי ביטחון עבור כל עול מופרך, התראה על רופאים לאזורים מעורפלים שעשויים לדרוש ביקורת ידנית.

התייחסות לאתגרים אלה תדרוש שיתוף פעולה הדוק בין חוקרי למידת מכונה, רדיולוגים, נוירולוגים ושותפים בתעשייה.המטרה הסופית היא לא להחליף מומחיות אנושית אלא להגדיל אותה – שחרור רופאים להתמקד בחשיבה אבחון מורכבת ותקשורת סבלנית.

מסקנה

זיהוי אוטומטי של נגעים רבים של sclerosis במוח MRI באמצעות למידה עמוקה התקדם מסקרנות מחקר לטכנולוגיה קלינית קיימא. CNN המודרנית מודלים מבוסס-הפיטר יכולים להשיג איקוציציה פלח מתקרבת לזה של אנליסטים, ויישומים מסחריים כבר בשימוש בטיפול שגרתי.עם זאת, אתגרים הקשורים להתאמה, חוסר איזון מעמדי, ופירושיות מתמשכת.

ככל שמאגרי המידע גדלים, האדריכלות הופכות ליותר מתוחכמות, ומסגרות רגולטוריות מתאמות, למידה עמוקה נעשית מרכיב חיוני של זרימת עבודה של הדמיה MS.היכולת להעריך במהירות, באופן עקבי, ובאופן כמותי את נטל העול לא רק תשפר את האבחנה וה ניטור אלא גם להאיץ ניסויים קליניים על ידי מתן אמצעי תוצאה רגישים יותר.בעתיד הקרוב, כל מוחו של המטופל עשוי לנתח באופן אוטומטי על ידי אלגוריתם כמו סטנדרט של התפתחות עצבית - זה עומד על ידי שינוי.