[ad_1]
Para ilmuwan dari Skoltech, Philips Research, dan Goethe University Frankfurt telah melatih jaringan saraf untuk mendeteksi anomali dalam gambar medis untuk membantu dokter dalam menyaring pemindaian yang tak terhitung jumlahnya untuk mencari patologi. Dilaporkan diAkses IEEE, metode baru ini disesuaikan dengan sifat pencitraan medis dan lebih berhasil dalam menemukan kelainan daripada solusi tujuan umum.
Gambar 1. Dua baris teratas menunjukkan gambar mobil dan angka. Mengingat data seperti itu, metode konvensional cukup baik dalam menemukan anomali (kanan) di antara kasus-kasus biasa (kiri). Dua baris terbawah menunjukkan pemindaian medis — ini terbukti lebih sulit. Kredit: Nina Shvetsova dkk./Akses IEEE
Deteksi anomali gambar adalah tugas yang muncul dalam analisis data di banyak industri. Scan medis, bagaimanapun, menimbulkan tantangan tertentu. Jauh lebih mudah bagi algoritme untuk menemukan, katakanlah, mobil dengan ban kempes atau kaca depan yang pecah dalam serangkaian gambar mobil daripada membedakan sinar-X mana yang menunjukkan tanda-tanda awal patologi di paru-paru, seperti permulaan COVID -19 radang paru-paru.
“Gambar medis sulit karena beberapa alasan,” jelas Profesor Skoltech Dmitry Dylov, kepala Grup Pencitraan Komputasi Institut dan penulis senior studi tersebut. “Untuk satu hal, anomali terlihat sangat mirip dengan kasus normal. Sel adalah sel, dan Anda biasanya membutuhkan seorang profesional terlatih untuk mengenali sesuatu yang salah.”
“Selain itu, ada kekurangan contoh anomali untuk melatih jaringan saraf,” tambah peneliti. “Mesin bagus dalam sesuatu yang disebut masalah dua kelas. Saat itulah Anda memiliki dua kelas yang berbeda, masing-masing diisi dengan banyak contoh untuk pelatihan — seperti kucing dan anjing. Dengan pemindaian medis, kasus normal selalu terlalu terwakili, dengan hanya beberapa contoh anomali yang muncul di sana-sini. Dan bahkan itu cenderung berbeda di antara mereka sendiri, jadi Anda tidak memiliki kelas kelainan yang terdefinisi dengan baik. ”
Kelompok Dylov mempelajari empat kumpulan data rontgen dada dan gambar mikroskop histologi kanker payudara untuk memvalidasi universalitas metode di seluruh perangkat pencitraan yang berbeda. Sementara keuntungan yang diperoleh dan akurasi absolut sangat bervariasi dan bergantung pada dataset yang bersangkutan, metode baru secara konsisten mengungguli solusi konvensional dalam semua kasus yang dipertimbangkan. Apa yang membedakan metode baru dari para pesaingnya adalah bahwa metode ini berusaha untuk “memahami” kesan umum yang mungkin dimiliki oleh seorang spesialis yang bekerja dengan pemindaian dengan mengidentifikasi fitur-fitur yang sangat memengaruhi keputusan annotator manusia.
Apa yang juga membedakan penelitian ini adalah resep yang diusulkan untuk menstandardisasi pendekatan terhadap masalah deteksi anomali citra medis sehingga kelompok penelitian yang berbeda dapat membandingkan model mereka dengan cara yang konsisten dan dapat direproduksi.
“Kami mengusulkan untuk menggunakan apa yang dikenal sebagai pelatihan yang diawasi secara lemah,” kata Dylov. “Karena dua kelas yang didefinisikan dengan jelas tidak tersedia, tugas ini biasanya cenderung diperlakukan dengan model yang tidak diawasi atau di luar distribusi. Artinya, kasus anomali tidak diidentifikasi seperti itu dalam data pelatihan. Namun, memperlakukan kelas anomali sebagai tidak diketahui sama sekali sebenarnya sangat aneh untuk masalah klinis, karena dokter selalu dapat menunjukkan beberapa contoh anomali. Jadi, kami menunjukkan beberapa gambar abnormal ke jaringan untuk melepaskan gudang senjata metode yang diawasi dengan lemah, dan itu sangat membantu. Bahkan hanya satu pemindaian anomali untuk setiap 200 pemindaian normal akan sangat membantu, dan ini cukup realistis.”
Menurut penulis, pendekatan mereka – Deep Perceptual Autoencoder – mudah dibawa ke berbagai pemindaian medis lainnya, di luar dua jenis yang digunakan dalam penelitian ini, karena solusinya disesuaikan dengan sifat umum dari gambar tersebut. Yaitu, sensitif terhadap anomali skala kecil dan menggunakan beberapa contoh mereka dalam pelatihan.
Rekan penulis studi dan direktur cabang Philips Research di Moskow, Irina Fedulova berkomentar: “Kami senang bahwa kemitraan Philips-Skoltech memungkinkan kami untuk mengatasi tantangan seperti ini yang sangat relevan dengan industri perawatan kesehatan. Kami berharap solusi ini akan mempercepat pekerjaan ahli histopatologi, radiologi, dan profesional medis lainnya yang menghadapi tugas yang membosankan untuk menemukan kelainan kecil dalam kumpulan gambar yang besar. Dengan menundukkan pemindaian ke analisis awal, gambar yang jelas tidak bermasalah dapat dihilangkan, memberi ahli manusia lebih banyak waktu untuk fokus pada kasus yang lebih ambigu.
Sumber: Skoltech
[ad_2]
