मेडिकल इमेज सेगमेंटेशन भाग 2 के लिए एक उपन्यास फ़ज़ी डीबीनेट

3.4. गोली छवियों का विभाजन

फ़ज़ी डीबीनेट ने पिल डेटासेट के बीच अच्छा प्रदर्शन किया। मॉडल के सामान्यीकरण को और अधिक सत्यापित करने के लिए, हमने फेफड़े के डेटासेट पर भी प्रयोग किए। चित्र 8 सत्यापन हानि को दर्शाता है।

सिस्टैंच एक थकान-विरोधी और सहनशक्ति बढ़ाने वाले के रूप में कार्य कर सकता है, और प्रायोगिक अध्ययनों से पता चला है कि सिस्टैंच ट्यूबुलोसा का काढ़ा प्रभावी रूप से वजन उठाने वाले तैराकी चूहों में क्षतिग्रस्त यकृत हेपेटोसाइट्स और एंडोथेलियल कोशिकाओं की रक्षा कर सकता है, एनओएस 3 की अभिव्यक्ति को बढ़ा सकता है, और हेपेटिक ग्लाइकोजन को बढ़ावा दे सकता है। संश्लेषण, इस प्रकार थकान-रोधी प्रभावकारिता बढ़ाता है। फेनिलएथेनॉइड ग्लाइकोसाइड से भरपूर सिस्टैंच ट्यूबुलोसा अर्क सीरम क्रिएटिन कीनेज, लैक्टेट डिहाइड्रोजनेज और लैक्टेट के स्तर को काफी कम कर सकता है, और आईसीआर चूहों में हीमोग्लोबिन (एचबी) और ग्लूकोज के स्तर को बढ़ा सकता है, और यह मांसपेशियों की क्षति को कम करके थकान-विरोधी भूमिका निभा सकता है। और चूहों में ऊर्जा भंडारण के लिए लैक्टिक एसिड संवर्धन में देरी हो रही है। कंपाउंड सिस्टैंच ट्यूबुलोसा टैबलेट ने वजन वहन करने वाले तैराकी के समय को काफी लंबा कर दिया, हेपेटिक ग्लाइकोजन रिजर्व में वृद्धि की, और चूहों में व्यायाम के बाद सीरम यूरिया स्तर को कम कर दिया, जिससे इसका थकान-विरोधी प्रभाव दिखा। सिस्टैंचिस का काढ़ा व्यायाम करने वाले चूहों में सहनशक्ति में सुधार कर सकता है और थकान को दूर करने में तेजी ला सकता है, और लोड व्यायाम के बाद सीरम क्रिएटिन कीनेस की ऊंचाई को भी कम कर सकता है और व्यायाम के बाद चूहों के कंकाल की मांसपेशियों की संरचना को सामान्य रख सकता है, जो इंगित करता है कि इसका प्रभाव है शारीरिक शक्ति को बढ़ाने वाला और थकान दूर करने वाला। सिस्टैंचिस ने नाइट्राइट-जहर वाले चूहों के जीवित रहने के समय को भी काफी बढ़ा दिया और हाइपोक्सिया और थकान के खिलाफ सहनशीलता को बढ़ाया।

पिल डेटासेट पर, हमने मॉडल का परीक्षण करने के लिए छवियों का एक समूह चुना। इस सेट में छह छवियां थीं: ऊपर से नीचे और नीचे से ऊपर तक कच्ची छवियां और संबंधित जमीनी सच्चाई वाली छवियां और खंडित परिणाम। ये चित्र चित्र 9 में दिखाए गए हैं।

हमारे प्रस्तावित मॉडल के प्रदर्शन का मूल्यांकन करने के लिए, हमने औसत डाइस गुणांक, एमआईओयू और पिक्सेल-वार सटीकता का उपयोग करके परीक्षण डेटासेट पर फ़ज़ी डीबीनेट के आउटपुट और इसकी जमीनी सच्चाई की तुलना की। नतीजों को टेबल तीन में दिखाया गया है।

हमने उदाहरण के तौर पर पिल परीक्षण डेटासेट विभाजन परिणामों से छवियों के दो सेट चुने। चित्र 10 में, BtrflyNet का विभाजन प्रदर्शन निम्नतर था। दूसरी ओर, जब डबलयू-नेट ने बिना पाठ के गोलियों को पहचाना, तो वर्गीकरण त्रुटियों का खतरा था। चित्र 11 जानबूझकर गलत छवि इनपुट वाले परीक्षण मामलों को दिखाता है, जहां गोलियों की छवियों को सामने और पीछे के दृश्यों के बजाय विभिन्न कोणों पर कैप्चर किया गया था। इससे न केवल डबलयू-नेट का खराब वर्गीकरण प्रदर्शन हुआ, बल्कि हमारे मॉडल और BtrflyNet के लिए वर्गीकरण सटीकता में भी कमी आई क्योंकि वे गलत दवा सुविधाओं से प्रभावित थे।

4। चर्चा

हमने अपनी प्रस्तावित पद्धति के प्रदर्शन की तुलना गोली और फेफड़े के डेटासेट पर BtrflyNet से की और प्रदर्शित किया कि हमारे दृष्टिकोण ने बेहतर विभाजन परिणाम प्राप्त किए।

चित्र 6, 7, और 10 का संदर्भ लेते हुए, यह देखा जा सकता है कि हमारे मॉडल को दो तरफा छवियों को एकीकृत करके प्रशिक्षित किया गया था। हमारे मॉडल ने अधिक पूर्ण विभाजन हासिल किया और अन्य मॉडलों की तुलना में उच्च वर्गीकरण सटीकता थी। इसके विपरीत, हमारे मॉडल की भी सीमाएँ थीं। उदाहरण के लिए, जैसा कि चित्र 11 में दिखाया गया है, इसमें गैर-दो तरफा छवियों या गलत संरेखित स्थिति वाली दोहरी तरफा छवियों में फायदे का अभाव था, और इसमें खंडित वस्तुओं को गलत वर्गीकृत करने का खतरा था। इन दो मामलों से, यह अनुमान लगाया गया कि मॉडल ने प्रशिक्षण के दौरान इनपुट छवियों के दोनों तरफ से महत्वपूर्ण विशेषताओं को संयोजित किया। इसलिए, हमारे मॉडल के लाभों का पूरी तरह से लाभ उठाने के लिए एक ही लक्ष्य वस्तु की दो इनपुट छवियों को यथासंभव ओवरलैप करना चाहिए।

थक गया पर क्लिक करें

【अधिक जानकारी के लिए:george.deng@wecistanche.com / व्हाट्सएप:8613632399501】

फेफड़े के एक्स-रे डेटासेट में, हमारे मॉडल ने विभाजन सटीकता में BtrflyNet से बेहतर प्रदर्शन किया। फ़ज़ी एएसपीपी को शामिल करने और इनपुट के रूप में दो तरफा छवियों के उपयोग के कारण, हमारे मॉडल ने डबलयू-नेट की तुलना में धुंधली छवियों के लिए भी अधिक पूर्ण फेफड़ों के विभाजन का उत्पादन किया।

गोली डेटासेट में, हमारे मॉडल ने विभाजन सटीकता और वर्गीकरण परिशुद्धता में BtrflyNet और DoubleU-Net दोनों से बेहतर प्रदर्शन किया, खासकर जब गोलियों के पीछे पाठ मौजूद था। पिछली छवियों की विशेषताओं का लाभ उठाकर, हमारी प्रस्तावित पद्धति ने सटीक वर्गीकरण हासिल किया।

चिकित्सा केंद्रों से परामर्श करने के बाद, हमें पता चला कि कई रोग संबंधी स्थितियों में सटीक निदान के लिए दोहरी-पक्षीय चिकित्सा इमेजिंग से जानकारी की आवश्यकता होती है। उदाहरण के लिए, चिकित्सक आम तौर पर मेटास्टैटिक घावों का निदान करने के लिए रेडियोन्यूक्लाइड हड्डी स्कैनिंग से एपी और पीए दृश्यों का उपयोग करते हैं, साथ ही गठिया का निदान करने के लिए घुटने के एक्स-रे डेटा में विभिन्न दृष्टिकोणों से छवियों का उपयोग करते हैं। समवर्ती रूप से, उपरोक्त विश्लेषण के आधार पर, यह अनुमान लगाया जा सकता है कि इस प्रकार की दोहरी-पक्षीय इमेजिंग वाले डेटासेट पर लागू होने पर हमारा मॉडल बेहतर परिणाम प्राप्त कर सकता है।

कुल मिलाकर, जैसा कि तालिका 4 में दिखाया गया है, हमारी प्रस्तावित पद्धति ने BtrflyNet और DoubleU-Net की तुलना में उच्च mIoU स्कोर, पासा गुणांक और पिक्सेल-वार सटीकता हासिल की। इन परिणामों से पता चला कि हमारी प्रस्तावित विधि ने दो तरफा छवियों से छवि विभाजन सटीकता में सुधार किया है।

प्र. 5। निष्कर्ष

इस पेपर में, हमने फ़ज़ी डीबीनेट का प्रस्ताव रखा है, जो किसी वस्तु के एक तरफ के धुंधले या अधूरे होने की समस्या को हल करने के लिए दो इनपुट छवियां लेता है। हमारे प्रस्तावित मॉडल ने दवा डेटासेट पर 92.8% की पिक्सेल-वार सटीकता हासिल की, जो डबल यू-नेट की तुलना में 10.4% अधिक सटीक थी और BtryflyNet की तुलना में 6.9% अधिक सटीक थी, जिससे दवा के दोनों तरफ असंगत पाठ की समस्या को प्रभावी ढंग से हल किया जा सका। एकल छवि के आधार पर सटीक रूप से वर्गीकृत किया जाए। छाती के एक्स-रे डेटासेट पर, पिक्सेल-वार सटीकता 96.9% तक पहुंच गई, जो क्रमशः डबल यू-नेट और बीट्रीफ्लाईनेट की तुलना में 2.8 और 7.2% अधिक सटीक थी। इससे छवि विभाजन में अस्पष्ट या शोर वाले क्षेत्रों की समस्या में सुधार हुआ।

भविष्य के कार्य में मुख्यतः दो भाग होते हैं। सबसे पहले, हमारा लक्ष्य विभिन्न रोग घावों की पहचान के लिए अपने मॉडल को लागू करना है, जिसके लिए हड्डी मेटास्टेसिस और घुटनों जैसी दोहरी-पक्षीय चिकित्सा छवियों की आवश्यकता होती है। इसके बाद, हम एक नेटवर्क आर्किटेक्चर विकसित करने की योजना बना रहे हैं जो बहु-कोण छवियों को एकीकृत कर सकता है जो दो तरफा छवियों के वर्तमान दायरे से परे हैं। यह त्रिविम दृष्टि का अनुकरण करने के लिए एक बहु-दृश्य मॉडल के निर्माण की अनुमति देगा। विभिन्न कोणों से ली गई गहन जानकारी का लाभ उठाकर, मॉडल की प्रभावशीलता को और बढ़ाया जा सकता है।

यह प्रगति अधिक विविध डेटासेट के संग्रह और तैयारी की सुविधा प्रदान करेगी और व्यापक क्षेत्रों में प्रस्तावित दृष्टिकोण की प्रयोज्यता को बढ़ाएगी।

लेखक का योगदान:कार्यप्रणाली, सी.-एलसी, सी.-वाईएल, वाई.-एमएल, एस.-डब्ल्यूसी और एकेएस; सॉफ्टवेयर, जे.-सीएल, सी.-वाईएल, वाई.-एमएल और एस.-डब्ल्यूसी; सत्यापन, जे.-सीएल, सी.-वाईएल और एकेएस; औपचारिक विश्लेषण, वाई.-एमएल; लेखन- मूल मसौदा, टी.-वाईएस, टीसी और पी.-सीएच; पर्यवेक्षण, टी.-वाईएस, टीसी और पी.-सीएच; परियोजना प्रशासन, सी.-एलसी सभी लेखकों ने पांडुलिपि के प्रकाशित संस्करण को पढ़ लिया है और उससे सहमत हैं।

फंडिंग:इस शोध को कोई बाहरी फंडिंग नहीं मिली।

संस्थागत समीक्षा बोर्ड वक्तव्य:लागू नहीं।

सूचित सहमति वक्तव्य:लागू नहीं।

डेटा उपलब्धता विवरण:इस पेपर में उपयोग किए गए सभी डेटासेट सार्वजनिक रूप से उपलब्ध हैं।

हितों का टकराव:ऑथर ने किसी हित संघर्ष की घोषणा नहीं की है।

संदर्भ

1. तारिक, आरए; वशिष्ठ, आर.; सिन्हा, ए.; शेर्बाक, वाई. दवा वितरण त्रुटियाँ और रोकथाम; स्टेटपर्ल्स: ट्रेजर आइलैंड, FL, यूएसए, 2020।

2. रोनेबर्गर, ओ.; फिशर, पी.; ब्रोक्स, टी. यू-नेट: बायोमेडिकल छवि विभाजन के लिए कन्वेन्शनल नेटवर्क। 18वें अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, एमआईसीसीएआई, म्यूनिख, जर्मनी, 5-9 अक्टूबर 2015; पृ. 234-241.

3. झा, डी.; रिग्लर, एमए; जोहान्सन, डी.; हल्वर्सन, पी.; जोहान्सन, एचडी डबलु-नेट: चिकित्सा छवि विभाजन के लिए एक गहरा दृढ़ तंत्रिका नेटवर्क। कंप्यूटर-आधारित चिकित्सा प्रणालियों (सीबीएमएस) पर आईईईई 33वीं अंतर्राष्ट्रीय संगोष्ठी की कार्यवाही में, रोचेस्टर, एमएन, यूएसए, 28-30 जुलाई 2020; पीपी. 558-564.

4. चिन, सीएल; चांग, ​​​​सीएल; लियू, वाईसी; लिन, वाईएल मास्क आर-सीएनएन का उपयोग करके स्वरयंत्र एंडोस्कोपी छवियों में वोकल फोल्ड और ग्लोटल का स्वचालित विभाजन और संकेतक माप। बायोमेड। इंजी. आवेदन. आधार समुदाय. 2021, 33, 2150027.

5. प्लुडोव्स्की, जे.; मुलाव्का, जे. बेसिक पल्मोनरी पैथोलॉजीज की पहचान में मशीन लर्निंग। आवेदन. विज्ञान. 2022, 12, 8086. [क्रॉसरेफ]

6. राजारमन, एस.; गुओ, पी.; ज़ू, ज़ेड.; अंतानी, एसके छाती के एक्स-रे में निमोनिया का पता लगाने में सुधार के लिए एक गहन तौर-तरीके-विशिष्ट समूह। डायग्नोस्टिक्स 2022, 12, 1442। [क्रॉसरेफ] [पबमेड]

7. ग्रेनाटा, वी.; फुस्को, आर.; कोस्टा, एम.; पिकोन, सी.; कोज़ी, डी.; मोरोनी, सी.; पेट्रिलो, ए. फेफड़े के एडेनोकार्सिनोमा रोगियों में इम्यूनोथेरेपी चयन के लिए बायोमार्कर के रूप में गणना की गई टोमोग्राफी रेडियोनिक्स पर प्रारंभिक रिपोर्ट। कैंसर 2021, 13, 3992। [क्रॉसरेफ] [पबमेड]

8. ज़रोगौलीडिस, पी.; किओमिस, आई.; पिट्सियौ, जी.; पोरपोडिस, के.; लाम्पाकी, एस.; पापाइवानौ, ए.; कात्सिकोगियनिस, एन.; ज़ारिक, बी.; ब्रानिस्लाव, पी.; सेकेन, एन.; और अन्य। न्यूमोथोरैक्स: परिभाषा से निदान और उपचार तक। जे. थोरैक. डिस. 2014, 6 (सप्ल. एस4), एस372-एस376। [पबमेड]

9. झांग, आर.; यांग, एफ.; लुओ, वाई.; लियू, जे.; ली, जे.; वांग, सी. थोरैक्स रोग वर्गीकरण के लिए पार्ट-अवेयर मास्क-निर्देशित ध्यान। एन्ट्रॉपी 2021, 23, 653। [क्रॉसरेफ] [पबमेड]

10. यांग, एफ.; लू, पीएक्स; डेंग, एम.; वांग, वाईएक्सजे; राजारमन, एस.; ज़ू, ज़ेड.; जैगर, एस. फुफ्फुसीय रोगों की कंप्यूटर-सहायता प्राप्त स्क्रीनिंग के लिए शेन्ज़ेन चेस्ट एक्स-रे डेटासेट में फेफड़ों की असामान्यताओं की व्याख्या। डेटा 2022, 7, 95. [क्रॉसरेफ] [पबमेड]

11. ब्रोस्का, एल.; ट्रस, क्यूलेस्कु, एए; एंकस, ए, वीएम; सियोकार्ली, एच.; ओन्सिया, सीआई; स्टोइसेस्कु, ईआर; मनोलेस्कु, डीएल जटिल नेटवर्क का उपयोग करके फेफड़ों की छवि प्रसंस्करण के लिए एक नवीन विधि। टोमोग्राफी 2022, 8, 1928-1946। [क्रॉसरेफ] [पबमेड]

12. मब्रौक, ए.; डियाज़ रेडोंडो, आरपी; दाहौ, ए.; अब्द इलाज़िज़, एम.; कायेद, एम. डीप कन्वोल्यूशनल न्यूरल नेटवर्क्स के संयोजन का उपयोग करके छाती के एक्स-रे छवियों पर निमोनिया का पता लगाना। आवेदन. विज्ञान. 2022, 12, 6448. [क्रॉसरेफ]

13. खिशे, एम.; कैराफिनी, एफ.; कुह्न, एस. छाती के एक्स-रे छवियों में प्रारंभिक सीओवीआईडी ​​​​का पता लगाने के लिए गहन शिक्षण कन्वेन्शनल तंत्रिका नेटवर्क विकसित करना। गणित 2021, 9, 1002। [क्रॉसरेफ]

14. काओ, एफ.; झाओ, एच. फ़्यूज़न वेरिएबल ऑटो-एनकोडर और तीन-टर्मिनल ध्यान तंत्र पर आधारित छाती के एक्स-रे छवियों पर स्वचालित फेफड़े विभाजन एल्गोरिदम। समरूपता 2021, 13, 814। [क्रॉसरेफ]

15. अल्हरिथी, एफ.; अलमुलिही, ए.; बौरोइस, एस.; अलरूबिया, आर.; बौगुइला, एन. चिकित्सा डेटा वर्गीकरण और मान्यता के लिए लचीले मिश्रण मॉडल पर आधारित भेदभावपूर्ण शिक्षण दृष्टिकोण। सेंसर 2021, 21, 2450। [क्रॉसरेफ] [पबमेड]

16. राजारमन, एस.; फोलियो, एलआर; डिम्पेरियो, जे.; एल्डरसन, पीओ; अंतानी, एसके ने तपेदिक के सिमेंटिक विभाजन में सुधार किया - कमजोर स्थानीयकरण के साथ तौर-तरीके-विशिष्ट यू-नेट मॉडल के संवर्धित प्रशिक्षण का उपयोग करके छाती के एक्स-रे में लगातार निष्कर्ष। डायग्नोस्टिक्स 2021, 11, 616। [क्रॉसरेफ] [पबमेड]

17. शकेरी, ए.; कॉन्स्टेंटेलोस, एन.; चू, सी.; एंटोनियो, टी.; फ़ेल्ड, जे.; सुदा, केजे; टैड्रस, एम. कोविड महामारी के दौरान प्रत्यक्ष अभिनय एंटीवायरल (डीएए) के वैश्विक उपयोग के रुझान: एक समय श्रृंखला विश्लेषण। वायरस 2021, 13, 1314। [क्रॉसरेफ] [पबमेड]

18. एलिस, आर.; हे-डेविड, एजीसी; ब्रेनन, पीए कोविड महामारी के दौरान परिचालन: चिकित्सा त्रुटि को कैसे कम करें। ब्र. जे. ओरल मैक्सिलोफैक. सर्जन. 2020, 58, 577-580। [क्रॉसरेफ] [पबमेड]

19. ओउ, वाईवाई; त्साई, एसी; झोउ, एक्सपी; वांग, जेएफ उन्नत फीचर पिरामिड नेटवर्क और कनवल्शन न्यूरल नेटवर्क पर आधारित स्वचालित दवा गोलियों का पता लगाना। आईईटी गणना। विस. 2020, 14, 9-17. [क्रॉसरेफ]

20. वोंडमिनेह, ए.; अलेमु, डब्ल्यू.; टैडेले, एन.; डेमिस, ए. दवा प्रशासन की त्रुटियां और नर्सों के बीच योगदान कारक: तृतीयक अस्पतालों, अदीस अबाबा, इथियोपिया में एक क्रॉस-अनुभागीय अध्ययन। बीएमसी नर्स. 2020, 19, 4. [क्रॉसरेफ] [पबमेड]

21. वांग, वाई.; रिबेरा, जे.; लियू, सी.; यारलागड्डा, एस.; झू, एफ. न्यूनतम लेबल वाले डेटा का उपयोग करके गोली पहचान। मल्टीमीडिया बिग डेटा (बिगएमएम) पर 2017 आईईईई तीसरे अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, लगुना हिल्स, सीए, यूएसए, 19-21 अप्रैल 2017; पृ. 346-353.

22. क्वोन, एचजे; किम, एचजी; डीप लर्निंग पर आधारित मेडिसिन निरीक्षण के लिए ली, एसएच पिल डिटेक्शन मॉडल। केमोसेंसर 2022, 10, 4. [क्रॉसरेफ]

23. टैन, एल.; हुआंगफू, टी.; वू, एल.; चेन, डब्ल्यू. रियल-टाइम पिल आइडेंटिफिकेशन के लिए YOLO v3, तेज़ R-CNN और SSD की तुलना।

24. नोगीरा, के.; डॉस सैंटोस, जेए; मेनिनी, एन.; सिल्वा, टीएसएफ; मोरेलैटो, एलपीसी; टोरेस, आरडीएस स्पैटियो-टेम्पोरल वनस्पति पिक्सेल वर्गीकरण कन्वेन्शनल नेटवर्क का उपयोग करके। आईईईई जियोसाइंस। रिमोट सेंस. लेट. 2019, 16, 1665-1669। [क्रॉसरेफ]

25. शिमिज़ु, ए.; वाकाबायाशी, एच.; कनामोरी, टी.; सैटो, ए.; निशिकावा, के.; डेसाकी, एच.; हिगाशियामा, एस.; कावाबे, जे. पूरे शरीर की हड्डी के स्किंटिग्राम से हड्डी स्कैन सूचकांक का स्वचालित माप। इंट. जे. कंप्यूट. सहायता देना। रेडियोल. सर्जन. 2020, 15, 389-400। [क्रॉसरेफ] [पबमेड]

26. एनआईएच चेस्ट एक्स-रे डेटासेट। ऑनलाइन उपलब्ध: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (2 मई 2023 को एक्सेस किया गया)।

27. कुबुक, ईडी; ज़ोफ़, बी.; श्लेन्स, जे.; ले, क्यूवी रैंडऑगमेंट: कम खोज स्थान के साथ व्यावहारिक स्वचालित डेटा संवर्द्धन। कंप्यूटर विजन और पैटर्न पहचान कार्यशालाओं पर आईईईई/सीवीएफ सम्मेलन की कार्यवाही में, सिएटल, डब्ल्यूए, यूएसए, 14-19 जून 2020; पीपी. 702-703.

28. वीजीजी इमेज एनोटेटर। ऑनलाइन उपलब्ध: https://www.robots.ox.ac.uk/vgg/software/via/ (26 सितंबर 2022 को एक्सेस किया गया)।

अस्वीकरण/प्रकाशक का नोट:सभी प्रकाशनों में शामिल बयान, राय और डेटा पूरी तरह से व्यक्तिगत लेखक (लेखकों) और योगदानकर्ता (ओं) के हैं, न कि एमडीपीआई और/या संपादक (संपादकों) के। एमडीपीआई और/या संपादक सामग्री में संदर्भित किसी भी विचार, तरीकों, निर्देशों या उत्पादों के परिणामस्वरूप लोगों या संपत्ति को होने वाली किसी भी चोट के लिए जिम्मेदारी से इनकार करते हैं।

【अधिक जानकारी के लिए:george.deng@wecistanche.com / व्हाट्सएप:8613632399501】