На здоровое функционирование человеческого организма влияет множество заболеваний. Некоторые заболевания контролируются и лечатся путем фиксации внешних медицинских имплантатов. Эти имплантаты включают кардиостимуляторы, грудные электроды, швы на грудину, различные формы трубок, таких как назогастральные трубки и эндотрахеальные трубки и т. д. их наличие снижает эффективность автоматических методов диагностики. Например, модели обнаружения легочных заболеваний дают большее количество ложных срабатываний, если они обучаются на обучающих данных, состоящих из изображений с посторонними предметами. В DeepTek мы разработали метод обнаружения этих посторонних предметов, чтобы помочь нам улучшить другие модели.

Мы выбрали грудные отведения, кардиостимуляторы и стернальные швы в качестве инородных объектов для обнаружения. Первоначально мы построили классификационную модель с тремя классами — грудные отведения, кардиостимуляторы и швы грудины, являющиеся тремя разными классами — с использованием глубоких нейронных сетей. Его полнота (способность модели идентифицировать случаи с наличием грудных отведений, кардиостимуляторов или швов на грудине) была ниже 0,6 для всех трех объектов, что намного ниже идеальной полноты, равной 1. Это привело нас к созданию модели обнаружения объектов, который может обнулить правую область интереса (ROI) в качестве альтернативы модели классификации. Производительность трехклассовой модели обнаружения объектов оказалась выше, чем модель классификации со средним отзывом 0,85 и средним баллом (оценка в кости измеряет точность локализации объекта) 0,72.

Наша модель может использоваться как в качестве классификатора, так и в качестве инструмента извлечения ROI для трех посторонних объектов. Он обнаруживает и классифицирует 95% случаев появления каждого из этих посторонних объектов, что делает его полезным фильтром для классификации других заболеваний, а также для моделей обнаружения объектов. В следующем разделе мы представляем тематическое исследование, в котором использование модели обнаружения посторонних объектов помогло уменьшить количество ложных срабатываний.

Случай использования: снижение числа ложноположительных результатов, полученных с помощью моделей обнаружения гранулемы/концевого сосуда/узла при рентгенографии грудной клетки

Заболевания часто ложно диагностируются как какое-то другое заболевание из-за схожих визуальных характеристик. Гранулемы легких, сосуды на конце и узелки являются примерами заболеваний, внешне похожих друг на друга. Каждое из этих заболеваний выглядит как крошечное пятнышко на рентгенограмме грудной клетки. Существует множество компьютерных подходов для дифференциации гранулем легких, сосудов на конце и узелков с помощью рентгенографии грудной клетки, но одна из основных проблем заключается в том, что модель путается между гранулемой, сосудами на конце и инородными телами.

При разработке модели для обнаружения гранулемы, сосудов «конец-на-конце» и узелков мы обнаружили, что почти 50% ложноположительных результатов, предсказанных моделью, были связаны с грудными электродами, которые прикреплялись к пациентам во время их сканирования. Можно уменьшить количество ложных срабатываний вдвое, если устранить ложные срабатывания из-за грудных отведений. Для этого мы использовали модель обнаружения посторонних предметов, которая обнаруживала грудные отведения по изображению. Мы использовали эту модель в качестве фильтра для модели обнаружения гранулемы/концевых сосудов/узлов. Во время оценки мы наблюдали снижение количества ложных срабатываний на 48 % только за счет применения фильтра грудных отведений.

Наша модель довольно хорошо выявляет гранулему, сосуды на конце и узелки с меньшим количеством ложных срабатываний после применения фильтра грудных отведений и показывает их положение, заключенное в ограничивающие рамки. В настоящее время мы изучаем способы дальнейшего сокращения количества ложных срабатываний наших моделей, поскольку каждый из них вызывает проблемы. Например, каждый ложноположительный случай требует дополнительного внимания рентгенолога. Сокращая число ложноположительных результатов, мы уменьшаем нагрузку на рентгенолога и повышаем доверие к модели.