Detekcja ciał obcych na zdjęciach RTG klatki piersiowej przy użyciu sztucznej inteligencji.

Administrator Wydawnictwa

Detekcja ciał obcych na zdjęciach RTG klatki piersiowej przy użyciu sztucznej inteligencji.

Autorzy

Administrator Wydawnictwa

Słowa kluczowe:

sztuczna inteligencja, ciała obce, rtg klatki piersiowej, deep learning

Streszczenie

Diagnostyka obrazowa stała się integralną częścią systemu opieki zdrowotnej, a jej dokładność ma kluczowe znaczenie dla skutecznego leczenia. Wraz ze wzrostem popularności radiologii rośnie również ilość pracy i obciążenie nią lekarzy. Zmotywowani sukcesem sztucznej inteligencji (AI), zwłaszcza głębokiego uczenia się, w analizie obrazów medycznych, naukowcy z całego świata opracowują narzędzia oparte na sztucznej inteligencji, które mają na celu pomóc radiologom w dokonywaniu dokładniejszych i szybszych diagnoz. W tym badaniu wykorzystano konwencjonalną głęboką sieć neuronową (CNN) do wykrycia czterech kategorii obiektów na cyfrowych radiogramach klatki piersiowej (CXR). Użyty zestaw danych to zbiór danych rentgenowskich klatki piersiowej opublikowany przez National Institutes of Health (NIH). Najpierw ręcznie zbadano 112 120 CXR pochodzących od 30 805 pacjentów pod kątem czterech rodzajów artefaktów. Były to połączenia naczyniowe (porty), stawy barkowe (końce), naszyjniki i wszczepialne kardiowertery-defibrylatory (ICD). Artefakty zostały annotowane za pomocą programu komputerowego o nazwie LabelImg. Cały zestaw danych został następnie ponownie sprawdzony i znaleziono 7648 portnotów, 1613 naszyjników, 498 ICD i 178 końcówek. Następnie przeprowadzono niezbędne wstępne przetwarzanie obrazu, takie jak zmiana rozmiaru, normalizacja i kadrowanie. Model detekcji obiektów został wytrenowany z wykorzystaniem architektury YOLO (You Only Look Once) v8 oraz frameworka Ultralytics. Wytrenowany model wykrywania obiektów osiągnął doskonałą średnią dokładność 0,815 (średni AP (średnia dokładność) między 0,5 a 0,95 IoU przy wielkości kroku 0,05) w zbiorze walidacyjnym. Oznacza to wysoką dokładność wykrywania artefaktów tj. naszyjniki, porty naczyniowe, ICD oraz endoprotezy stawów ramiennych. Wyniki uzyskane za pomocą tego modelu sugerują, że jest on przydatny w celu wykrywania artefaktów w CXR. Po dalszym udoskonaleniu takie modele mogą w przyszłości służyć jako rzeczywiste narzędzia diagnostyczne wspomagane komputerowo.

Bibliografia

How data will improve healthcare without adding staff or beds, The Global Innovation Index 2019. World Intellectual Property Organization (2019) Available via https://www.wipo.int/edocs/pubdocs/en/wipo_pub_gii_2019-chapter8.pdf Accessed 13 Mar 2023

Howard JP, Fisher L, Shun-Shin MJ, et al (2019) Cardiac Rhythm Device Identification Using Neural Networks. JACC: Clinical Electrophysiology DOI:10.1016/j.jacep.2019.02.003

Jain RK, Vokes T (2017) Dual-energy X-ray Absorptiometry. Journal of Clinical Densitometry DOI:10.1016/j.jocd.2017.06.014

Morgan H, Pettet G, Reed M, Paul SP (2018) Indications for chest X-rays in children and how to obtain and interpret them. Nursing Children and Young People DOI:10.7748/ncyp.2018.e1141

Dedhia K, Chang Y, Leonardis R, Chi DH (2017) Is There a Need for Repeat Radiologic Examination of Children with Esophageal Coin Foreign Body? Otolaryngol--head neck surg DOI:10.1177/0194599816667039

de Boer M, van Middelkoop M, Hauptmann M, et al (2020) Breast Implant Prevalence in the Dutch Female Population Assessed by Chest Radiographs. Aesthetic Surgery Journal DOI:10.1093/asj/sjz136

Baram A, Sherzad H, Saeed S, Kakamad FH, Hamawandi AMH (2017) Tracheobronchial Foreign Bodies in Children: The Role of Emergency Rigid Bronchoscopy. Global Pediatric Health DOI:10.1177/2333794X17743663

Dick AC, Deans GT, Johnston L, Spence RA (1994) Ruptured silicone breast implant: a misleading chest X-ray. Ulster Med J 63(2):238-240.

Kim T, Messersmith RN, MacMahon H (1989) Pulmonary Nodule Mimicked by ECG Lead Artifact. Chest DOI:10.1378/chest.95.1.237

Gronner AT, Eisenberg RL (1994) Pseudonodule of the lung caused by offset DX ECG electrode. American Journal of Roentgenology DOI:10.2214/ajr.162.3.8109530

Edwards ME, Harris RD, Spiegel PK (1989) Offset electrocardiographic electrode simulating a pulmonary nodule on radiographs. Radiology DOI:10.1148/radiology.172.1.2740516

Gupta Prashant K, Gupta K, Jain M, Garg T (2014) Postprocedural chest radiograph: Impact on the management in critical care unit. Anesth Essays Res DOI:10.4103/0259-1162.134481

Sultan H, Owais M, Choi J, et al (2022) Artificial Intelligence-Based Solution in Personalized Computer-Aided Arthroscopy of Shoulder Prostheses. JPM DOI:10.3390/jpm12010109

Sultan H, Owais M, Park C, Mahmood T, Haider A, Park KR (2021) Artificial Intelligence-Based Recognition of Different Types of Shoulder Implants in X-ray Scans Based on Dense Residual Ensemble-Network for Personalized Medicine. JPM DOI:10.3390/jpm11060482

Hunter TB, Taljanovic MS (2005) Medical Devices of the Abdomen and Pelvis. RadioGraphics DOI:10.1148/rg.252045157

Bahrami S, Chow D, Kadell B (2009) Thoracic and Abdominal Devices Radiologists Should Recognize: Pictorial Review. American Journal of Roentgenology DOI:10.2214/AJR.07.7146

Hunter TB, Taljanovic MS, Tsau PH, Berger WG, Standen JR (2004) Medical Devices of the Chest. RadioGraphics DOI:10.1148/rg.246045031

Sigakis CJG, Mathai SK, Suby-Long TD, et al (2018) Radiographic Review of Current Therapeutic and Monitoring Devices in the Chest. RadioGraphics DOI:10.1148/rg.2018170096

Taljanovic MS, Hunter TB, Freundlich IM, Mar WA, Smyth SH, O’Brien MJ (2006) Misplaced Devices in the Chest, Abdomen, and Pelvis: Part I. Seminars in Ultrasound, CT and MRI DOI:10.1053/j.sult.2006.01.002

CXR8, National Institutes of Health - Clinical Center (2017) Available via https://nihcc.app.box.com/v/ChestXray-NIHCC Accessed 19 Mar 2023

Jocher G, Chaurasia A, Qiu J (2023) YOLO by Ultralytics (Version 8.0.0) [Computer software].

Kim UH, Kim MY, Park EA, et al (2021) Deep Learning-Based Algorithm for the Detection and Characterization of MRI Safety of Cardiac Implantable Electronic Devices on Chest Radiographs. Korean J Radiol DOI:10.3348/kjr.2021.0201

Thurston MDV, Kim DH, Wit HK (2022) Neural Network Detection of Pacemakers for MRI Safety. J Digit Imaging DOI:10.1007/s10278-022-00663-2

Deshpande H, Harder T, Saalbach A, Sawarkar A, Buelow T (2020) Detection Of Foreign Objects In Chest Radiographs Using Deep Learning. 2020 IEEE 17th International Symposium on Biomedical Imaging Workshops (ISBI Workshops) DOI: 10.1109/ISBIWorkshops50223.2020.9153350