Upgrade to Pro — share decks privately, control downloads, hide ads and more …

OpenTalks.AI - Александр Громов, Устойчивость нейросетевых моделей при анализе КТ/НДКТ-исследований

OpenTalks.AI
February 04, 2021

OpenTalks.AI - Александр Громов, Устойчивость нейросетевых моделей при анализе КТ/НДКТ-исследований

OpenTalks.AI

February 04, 2021
Tweet

More Decks by OpenTalks.AI

Other Decks in Business

Transcript

  1. Сервисы «Третье Мнение. AI-скрининг» Обнаружение признаков воспалительных заболеваний по анализу

    крови Обнаружение признаков пневмонии, Covid-19, рака легкого на рентгенограммах и КТ грудной клетки Обнаружение признаков диабетической ретинопатии на снимках глазного дна модуль «Морфология» модули «Рентгенограммы грудной клетки» и «Анализ КТ» модуль «Анализ снимков глазного дна» Обнаружение признаков рака молочной железы на маммограммах модуль «Анализ маммограмм» Обнаружение признаков заболеваний полости рта и десен модуль «Анализ ортопантомограмм» 2
  2. Система видеоаналитики для медицинских учреждений Данные системы выводятся на постах

    медсестры и в кабинете заведующего отделения 3 высвобождение времени медсестер 50% ускорение реакции медсестер 50 раз сокращение контактов с больными 2 раза
  3. Предупреждение падений Профилактика пролежней Мониторинг ухода Контроль безопасности Контроль ношения

    СИЗ Мониторинг активности пациента Двухсторонняя голосовая связь Мониторинг нагрузки персонала В период COVID-19 Третье Мнение. AI-мониторинг Базовый функционал 4
  4. 5 НДКТ скрининг. Преимущества и перспективы Отличительные особенности НДКТ от

    традиционного КТ: 1. Низкая доза облучения по сравнению с КТ 2. Сравнительно низкое качество изображения (без итеративных реконструкций) Чувствительность НДКТ при определении признаков рака легкого1: ➢ НДКТ – 93,8% ➢ Рентгенограмма грудной клетки – 73,5% 1. Computed tomography screening for lung cancer. Monisha Sudarshan & Sudish Murthy https://link.springer.com/article/10.1007/s11748-020-01392-5 7 1,5 КТ НДКТ Доза облучения, м3в
  5. 7 Study Protocol Effective dose IR Imaging output Kim et

    al. (2014) LDCT 120 kVp; 30 mAs 1.06 ± 0.11 mSv + There was no difference in detection of consolidation and GGO. Diagnosis was clear in 100% of LDCT and 96% of ULDCT. ULDCT A 100 kVp; 20 mAs 0.44 ± 0.05 mSv + ULDCT B 80 kVp; 30 mAs 0.31 ± 0.0.3 mSv + Dorneles et al. (2018) ULDCT 80 kVp; 15–30 mAs; 0.5 s 0.39 ± 0.15 mSv + Image qualities were excellent or diagnostic in 99% of ULDCTs. Sun et al. (2017) LDCT 120 kVp; 10–350 mAs; 0.8 s 0.59 ± 0.19 mSv + IR demonstrated better detection of pulmonary lesions and lesser noise than FBP. Park et al. (2015) LDCT 100 kVp; 30 mAs; 0.5 s Not reported − LDCT detected GGO and small consolidation which were undetected in radiograph. Dorobisz et al. (2017) LDCT 120 kVp; 25, 50, 75, 100 mAs 0.748–2.55 mSv + LDCT successfully detected GGO and consolidation Alamdaran et al. (2019) LDCT 120 kVp; 30, 50 mAs, Not reported − Diagnoses of LDCTs were concordant with final diagnoses. Kubo et al. (2016) CCT 120 kVp; 150 mAs; 0.5 s 10.7 − There were > 83% concordance between CCT findings and LDCT and no significant difference in detection rate. LDCT 120 kVp; 150 mAs; 0.5 s 3.57 − Christe et al. (2012) CCT 120 mKv; 150 mAs Not reported − LDCT had lower sensitivity for GGO with no significant difference for consolidation. LDCT 120 mKv; 40 mAs Not reported − Ohno et al. (2012) CCT 120kVp; 150mAs; 0.5 s Not reported − Image quality of LDCT methods was significantly low when IR was not applied. There was >80% concordance between detection of GGO and reticular opacities in all three methods. LDCT A 120 kVp; 50 mAs; 0.5 s Not reported ± LDCT B 120kVp; 25mAs; 0.5 s Not reported ± Источник: Low-dose CT in COVID-19 outbreak: radiation safety, image wisely, and image gently pledge. Salar Tofighi, Saeideh Najafi,corresponding author Sean K. Johnston, and Ali Gholamrezanezhad Обнаружение пневмонии на НДКТ и ультра-НДКТ
  6. 8 Модель «Третье Мнение» Details of training: • Optimizer -

    Adam; • Learning rate - 1e-4; • Number of Iterations - 90000; • Batch size - 8. 1. CCNet: Criss-Cross Attention for Semantic Segmentation- https://arxiv.org/pdf/1811.11721.pdf 2. U-Net: Convolutional Networks for Biomedical Image - https://arxiv.org/pdf/1505.04597.pdf Batch formation: • Consolidation; • Pleural effusion; • Ground-glass; • 60 % lung, 40 % - no lung. Test datasets info: • Number of CT studies - 180; • Number of LDCT studies - 100; • Marked ~15 slices per each study.
  7. 9 Концепция оценки моделей Глобальные метрики - оценивают качество работы

    модели в целом. Все исследования разбиты на три группы: • Не содержит пикселей класса - считается количество ложноположительных срабатываний; • Содержит незначительно количество пикселей класса - считаются метрики IoU и mAP; • Содержит значительно количество пикселей класса - считаются метрики IoU и mAP. Локальные метрики - отслеживание ложноположительных срабатываний вне легких, например в кишечнике. Считается количество связанных компонент разного размера: • От 0 до 100 пикселей - small; • От 100 до 500 пикселей - medium; • От 500 пикселей - big.
  8. 11 Полученные метрики Ground-class FP IoU (small) IoU (big) mAP

    (small) mAP (big) CT 273 0.752 0.883 0.796 0.912 LDCT 289 0.678 0.767 0.699 0.858 LDCT (new train) 267 0.784 0.861 0.805 0.891 • FP - меньше, лучше. • IoU - больше, лучше. • mAP - больше, лучше. LDCT (new train) - обучение с добавлением 10% НДКТ исследованиях от общего объема данных. Consolidation FP IoU (small) IoU (big) mAP (small) mAP (big) CT 987 0.592 0.623 0.673 0.861 LDCT 1234 0.543 0.613 0.573 0.762 LDCT (new train) 876 0.620 0.701 0.645 0.898 Pleural effusion FP IoU (small) IoU (big) mAP (small) mAP (big) CT 360 0.663 0.741 0.696 0.873 LDCT 349 0.459 0.684 0.599 0.765 LDCT (new train) 315 0.654 0.780 0.662 0.923
  9. 12 Полученные метрики Ground-class Blobs (small) Blobs (medium) Blobs (big)

    CT 679 351 45 LDCT 578 389 49 LDCT (new train) 640 267 37 LDCT (new train) – обучение с добавлением 10% НДКТ исследованиях от общего объема данных Blobs (small, medium, big) - меньше, лучше Consolidation Blobs (small) Blobs (medium) Blobs (big) CT 897 434 52 LDCT 930 478 76 LDCT (new train) 943 465 45 Pleural effusion Blobs (small) Blobs (medium) Blobs (big) CT 549 272 89 LDCT 575 245 103 LDCT (new train) 482 217 105
  10. 13 Выводы Модель можно переносить as is Добавление 10% данных

    позволяет существенно улучшить результаты распознавания