С момента появления машинного обучения мир сильно изменился, чтобы приспособить системы искусственного интеллекта почти ко всем секторам. Один из основных секторов, в котором произошли огромные улучшения в секторе здравоохранения, где машинное обучение помогло решить некоторые из критических сценариев. От анализа рентгеновских лучей до обнаружения опухолей жизненно важных органов - компьютерное зрение очень помогло в секторе здравоохранения. В этой статье мы рассмотрим, как можно использовать обнаружение объектов для анализа переломов в руках человека. Если вы иногда видите рентгеновский снимок, возможно, вы не сможете правильно определить переломы, если вы не обученный врач или врач. Итак, давайте посмотрим, сможем ли мы попытаться обнаружить их с помощью методов глубокого обучения.

Детекто:

Для этого эксперимента я использовал библиотеку Python под названием detecto, которая представляет собой оболочку для реализации алгоритма обнаружения объектов в нескольких строках кода. Серверная часть этой библиотеки написана на PyTorch, и на данный момент для обнаружения и обучения доступен только FasterRCNN. Прочтите различные блоги, чтобы получить дополнительную информацию о различных моделях обнаружения объектов и их различиях.

Я получил набор данных для этого эксперимента из kaggle. Давайте посмотрим на некоторые изображения, чтобы убедиться, сможем ли мы обнаружить трещины на этих изображениях.

Честно говоря, невооруженным глазом я не мог увидеть никаких переломов с первого раза, мне может потребоваться некоторое время, чтобы обнаружить их. Но, используя методы глубокого обучения, мы можем легко и эффективно обнаруживать трещины, не тратя времени и не напрягая глаза.

Аннотации для набора данных находятся в формате Pascal VOC, который можно преобразовать в формат csv для обучения модели. После того, как мы преобразовали аннотации, мы можем начать обучение модели всего за 4 строки кода, как показано ниже.

В приведенной выше сути я сначала преобразовал аннотации XML в формат csv, чтобы они были использованы в библиотеке. Затем были созданы наборы данных с обучающими и проверочными изображениями. И в качестве последнего шага создайте загрузчик данных для наборов данных, определите классы для модели и обучите ее без каких-либо дополнительных хлопот. Легкий, правда? Я также нанес на график убытки, понесенные во время обучения, чтобы отслеживать, обучается модель или нет.

Как мы видим выше, модель хорошо обучилась, и наблюдается снижение потерь с увеличением в каждую эпоху. Хорошо, тогда давайте проанализируем нашу модель на разных изображениях.

Ниже приведены некоторые результаты, которые я получил при выводе модели с порогом 0,4. Мы легко видим, что модель хорошо обучилась и способна точно уловить место трещины. Модель можно дополнительно настроить с помощью увеличения обучающих данных, и мы можем сохранить более высокую степень достоверности, чем 0,4.

Поэтому я немного подумал, можно ли в дальнейшем проверить эту модель на других рентгеновских снимках с переломами, например: ноги, руки или любой другой участок кости в нашем теле. У меня есть эта мысль, потому что все рентгеновские снимки имеют одинаковые наборы функций, например, все они в оттенках серого, имеют интенсивные яркие области для костей, в то время как фон будет черным, поэтому я думаю, что это может работать также и с другими рентгеновскими снимками. Почему бы нам не проверить себя тогда один раз.

Ниже приведено изображение с переломом в области голени, здесь он легко обнаруживается невооруженным глазом, а также наша модель смогла обнаружить его без каких-либо проблем.

Ниже представлен рентгеновский снимок руки с переломом в средней области руки. Снова это было запечатлено моделью

Но ограничение здесь в том, что я сохранил порог меньшего числа, в данном случае 0,2. Добавление большего количества данных и выбор другого алгоритма могут дать лучшие результаты. Вы можете заглянуть в этот блокнот о том, как он реализован, и, пожалуйста, делайте предложения.

Итак, ребята, спасибо, что прочитали этот пост, и я надеюсь, что он вам понравился.

Будьте в безопасности во время этой пандемии, и позвольте нам очень скоро с этим справиться.