C-Arm Positionsbestimmung aus einem Röntgenbild mittels Deep Learning
Notice bibliographique
Résumé
Fragestellung: Viele chirurgische Eingriffe in der Unfallchirurgie und Orthopädie werden Fluoroskopie-gesteuert durchgeführt. Die Darstellung der anatomischen Leitstrukturen ist jedoch häufig ein zeit- und strahlenintensiver Faktor. Ausgehend von einem primären Röntgenbild wird sich dem angestrebten Strahlenfenster durch wiederholtes Röntgen angenähert. Zur Optimierung dieses Vorgangs ist eine Positionsbestimmung des C-Bogens zum Patienten-CT von Bedeutung, wonach die kommenden Bilder mittels Tracking dessen vorhergesagt werden können. Feature-Erkennung mittels Deep Learning ist in den letzten Jahren deutlich optimiert worden. Somit ist das Primärziel unserer Studie, die Positionsbestimmung hiermit zu erlangen. Außerdem soll dieser Vorgang auch zeitlich optimiert werden, da dies in der Akutbehandlung ein weiterer Faktor ist. Methodik: Ein Convolutional Neuronal Network (CNN) wird mittels Digitally Reconstructed Radiographs (DRR) aus einem Patienten-CT trainiert. Die DRR Bilder werden aus verschiedenen Positionen mit sechs Freiheitsgraden erstellt, welche als Label für das CNN genutzt werden. Es wird die laterale Aufnahmen für eine Perkutane Iliosakrale S1-Verschraubung als Neutralposition verwendet. Folgendes Koordinatensystem und Bewegungsfreiheiten werden definiert: X-Achse: kranial nach kaudal; Translation ±50mm, Rotation ±22,5° Y-Achse: dorsal nach ventral; Translation ±50mm, Rotation ±22,5° Z-Achse: lateral nach medial; Translation ±200mm, Rotation ±45° Zunächst wird mittels 30016 synthetischen Röntgenbildern ein CNN Basismodel festgelegt. Hierbei werden alle Layer der folgende Architekturen für 15 Stunden trainiert (GPU 10GB, CPU 8x2.1Ghz): InceptionV3, MobileNetV2, NASNetMobile, ResNet50V2, VGG19. Als kombinierende Metrik wurde folgende eingeführt: Metrik = Translationsfehler (mm) + Rotationsfehler (rad) * 100 Anschließend wird das CNN mit dem besten Ergebnis mit zunehmender Anzahl an Bildern trainiert, um Genauigkeit und Trainingszeit zu korrelieren. Ergebnisse und Schlussfolgerung: Es konnte gezeigt werden, dass ResNet50 für diese Regressions-Aufgabe am besten geeignet scheint (CNN: Metrik): Inception: 19.81 MobileNet: 11.97 NASNetMobile: 25.39 ResNet50: 10.21 VGG19: 14.98 Zudem ist, wie in Abbildung 1 zu sehen, die visuelle Genauigkeit mit schon sehr wenigen Bildern sehr gut, steigt aber bei einer zunehmenden Anzahl. Hierbei erhöht sich die Trainings- und Bildgenerierungszeit jedoch drastisch, wie folgende Auflistung zeigt: 1024: 00:12:47h 3008: 01:05:01h 10048: 01:15:30h 30016: 03:27:12h 100032: 17:42:16h Wir konnten zeigen, dass die Positionsbestimmung eines C-Arms zum Patienten-CT mittels Deep Learning anhand eines Röntgenbildes möglich ist. Die Genauigkeit erhöht sich jedoch bei zunehmender Bildanzahl, was jedoch auch die Trainingszeit drastisch verlängert. Stichwörter: Fluoroskopie, Navigation, Deep Learning, CNN, Künstliche Intelligenz Publication History Article published online: 15 October 2020 © 2020. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».