ວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາ ການຄົ້ນຄວ້າຈາກ Saint Petersburg State Pediatric Medical University ໄດ້ຮ່ວມມືກັບ Yandex School of Data Analysis (SDA) ແລະ Yandex Cloud Center for Technologies and Society ເພື່ອພັດທະນາການແກ້ໄຂ AI ສໍາລັບການ evaluating ການພັດທະນາຂອງວົງຈອນຂອງເດັກນ້ອຍຈາກການກວດສອບ MRI. ສໍາລັບກໍລະນີທີ່ suspected of cerebral palsy ແລະການປິ່ນປົວອື່ນໆຂອງລະບົບພະລັງງານສູນກາງ, ການແກ້ໄຂປະຕິບັດເປັນອຸປະກອນການຊ່ວຍເຫຼືອການຄົ້ນຄວ້າ, ການຫຼຸດຜ່ອນເວລາການທົດສອບ MRI ຈາກຂະຫນາດນ້ອຍໆມື້ກັບພຽງແຕ່ສາມ ນາທີ. ຊື່ຂອງຂ້າພະເຈົ້າແມ່ນ Yulia Busygina, ແລະຂ້າພະເຈົ້າເປັນການຄຸ້ມຄອງໂຄງການໃນ Yandex Cloud. ໃນຂະນະທີ່ຂ້າພະເຈົ້າໄດ້ເຮັດວຽກຮ່ວມກັບ Prof. Alexander Pozdnyakov, ຂໍຂອບໃຈວ່າພວກເຮົາກໍາລັງເຮັດວຽກຮ່ວມກັບທ່ານ - ແລະຂໍຂອບໃຈວ່າພວກເຮົາກໍາລັງອອກແບບການແກ້ໄຂ AI, ໄດ້ຝຶກອົບຮົມແລະການທົດສອບມັນເພື່ອຊອກຫາຄຸນນະພາບຂອງຕົນໃນສະຖານທີ່ໃນໂລກທີ່ແທ້ຈິງ. . ລະຫັດ QR ເປັນຫຍັງ MRI scans ແມ່ນສໍາຄັນສໍາລັບເດັກນ້ອຍ Brain ຂອງເດັກນ້ອຍພັດທະນາຢ່າງງ່າຍດາຍ, ການປ່ຽນແປງຢ່າງງ່າຍດາຍໃນໄລຍະອາທິດໃນໄລຍະປີທໍາອິດຂອງຊີວິດ. ແຕ່ມັນບໍ່ແມ່ນພຽງແຕ່ກ່ຽວກັບການໄດ້ຮັບຂະຫນາດໃຫຍ່ - ໃນປັດຈຸບັນມັນຍັງເປັນການເຮັດວຽກທີ່ສໍາຄັນທີ່ຮູ້ຈັກໂດຍທົ່ວໄປເປັນການພັດທະນາຂອງວົງຈອນ. Myelination ແມ່ນການກໍ່ສ້າງຂອງແຜ່ນອຸດົມສົມບູນຂອງ lipid ທີ່ມີຄຸນນະພາບສູງກ່ວາ fibers nerve, ເຊິ່ງເພີ່ມຄວາມອຸດົມສົມບູນຂອງ lipid ແລະຫຼຸດຜ່ອນນ້ໍາ. ການເຮັດວຽກນີ້ເລີ່ມຕົ້ນໃນເດືອນມິຖຸນາ 5 ຂອງການພັດທະນາ fetal ແລະເລີ່ມຕົ້ນໃນຄວາມໄວສູງເຖິງປະມານ 2 ປີ. ໃນລະບົບໄຮໂດຼລິກ, myelin ແມ່ນມີສ່ວນໃຫຍ່ໃນອຸປະກອນສີຂາວ, ໃນເວລາທີ່ມັນປະຕິບັດເປັນ insulator ໄຟຟ້າ. ການ myelination ທີ່ດີເລີດສາມາດສະຫນັບສະຫນູນການຂົນສົ່ງຢ່າງວ່ອງໄວແລະປະສິດທິພາບລະຫວ່າງ neurons ໃນປີທີ່ຜ່ານມາ. ຖ້າຫາກວ່າວົງຈອນພັດທະນາຢ່າງງ່າຍດາຍຫຼາຍກ່ວາການຄາດຄະເນ, ມັນສາມາດເຮັດໃຫ້ການປ່ຽນແປງຂອງການພັດທະນາ. The human brain is a complex system that requires careful attention from the very first days of life. Disorders can arise if brain growth is either too slow or too fast.In addition, complexity goes beyond growth rate.In some conditions, the brain’s volume remains unchanged while its tissue density shifts. Whether myelination is abnormally slow or excessively fast (hypermyelination), it can create conditions that lead to neurological disorders. — Alexander Pozdnyakov, MD, ຜູ້ຊ່ຽວຊານແລະຜູ້ຊ່ຽວຊານຂອງ Department of Medical Biophysics, Saint Petersburg State Pediatric Medical University. Myelination ແມ່ນການກໍ່ສ້າງຂອງແຜ່ນອຸດົມສົມບູນຂອງ lipid ທີ່ມີຄຸນນະພາບສູງກ່ວາ fibers nerve, ເຊິ່ງເພີ່ມຄວາມອຸດົມສົມບູນຂອງ lipid ແລະຫຼຸດຜ່ອນນ້ໍາ. ການເຮັດວຽກນີ້ເລີ່ມຕົ້ນໃນເດືອນມິຖຸນາ 5 ຂອງການພັດທະນາ fetal ແລະເລີ່ມຕົ້ນໃນຄວາມໄວສູງເຖິງປະມານ 2 ປີ. ໃນລະບົບໄຮໂດຼລິກ, myelin ແມ່ນມີສ່ວນໃຫຍ່ໃນອຸປະກອນສີຂາວ, ໃນເວລາທີ່ມັນປະຕິບັດເປັນ insulator ໄຟຟ້າ. ການ myelination ທີ່ດີເລີດສາມາດສະຫນັບສະຫນູນການຂົນສົ່ງຢ່າງວ່ອງໄວແລະປະສິດທິພາບລະຫວ່າງ neurons ໃນປີທີ່ຜ່ານມາ. ຖ້າຫາກວ່າວົງຈອນພັດທະນາຢ່າງງ່າຍດາຍຫຼາຍກ່ວາການຄາດຄະເນ, ມັນສາມາດເຮັດໃຫ້ການປ່ຽນແປງຂອງການພັດທະນາ. The human brain is a complex system that requires careful attention from the very first days of life. Disorders can arise if brain growth is either too slow or too fast.In addition, complexity goes beyond growth rate.In some conditions, the brain’s volume remains unchanged while its tissue density shifts. Whether myelination is abnormally slow or excessively fast (hypermyelination), it can create conditions that lead to neurological disorders. — Alexander Pozdnyakov, MD, ຜູ້ຊ່ຽວຊານແລະຜູ້ຊ່ຽວຊານຂອງ Department of Medical Biophysics, Saint Petersburg State Pediatric Medical University. ເດັກນ້ອຍທີ່ມີ myelination ຫຼາຍກວ້າງຂວາງມີຄຸນນະສົມບັດສູງສຸດຂອງການພັດທະນາຂອງ cerebral palsy. cerebral palsy ເປັນຫນຶ່ງໃນສິ່ງທີ່ຕົ້ນຕໍຂອງຄວາມບໍ່ມີປະສິດທິພາບຂອງເດັກນ້ອຍທີ່ມີຜົນປະໂຫຍດ 2-3 ຂອງ 1,000 ເດັກນ້ອຍ. ການຄວບຄຸມຄວາມປອດໄພຂອງວົງຈອນໃນໄລຍະ 6 ເດືອນຕົ້ນສະບັບຂອງຊີວິດສາມາດເປັນປະໂຫຍດທີ່ສໍາຄັນສໍາລັບການຊ່ວຍເຫຼືອໃນເວລາທີ່ໃຊ້ເວລາ. ສໍາລັບຜູ້ໃຫຍ່ທີ່ມີຄຸນນະສົມບັດ, ການປະຕິບັດຢ່າງວ່ອງໄວທີ່ມີການປິ່ນປົວແລະການ rehabilitation ທີ່ຖືກຕ້ອງສາມາດປິ່ນປົວຜົນປະໂຫຍດແລະປິ່ນປົວຊີວິດຂອງມະນຸດ. ໃນຖານະເປັນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດຂອງພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດຂອງພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ. ການປິ່ນປົວເຊັ່ນດຽວກັນສາມາດປະກອບດ້ວຍການປິ່ນປົວຢາຫຼືເຕັກໂນໂລຊີການ stimulation ຂອງວົງຈອນເພື່ອຄວາມໄວ້ວາງໃຈການປິ່ນປົວໃນເວລາທີ່ຈໍາເປັນຕ້ອງຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນ. — Alexander Pozdnyakov, MD, ຜູ້ຊ່ຽວຊານແລະຜູ້ຊ່ຽວຊານຂອງ Department of Medical Biophysics, Saint Petersburg State Pediatric Medical University. ໃນຖານະເປັນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດຂອງພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດຂອງພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ. ການປິ່ນປົວເຊັ່ນດຽວກັນສາມາດປະກອບດ້ວຍການປິ່ນປົວຢາຫຼືເຕັກໂນໂລຊີການ stimulation ຂອງວົງຈອນເພື່ອຄວາມໄວ້ວາງໃຈການປິ່ນປົວໃນເວລາທີ່ຈໍາເປັນຕ້ອງຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນ. — Alexander Pozdnyakov, MD, ຜູ້ຊ່ຽວຊານແລະຜູ້ຊ່ຽວຊານຂອງ Department of Medical Biophysics, Saint Petersburg State Pediatric Medical University. ໃນ MRI scans, myelinated ວັດສະດຸສີຂາວຄ້າຍຄືກັນຢ່າງກວ້າງຂວາງຈາກພື້ນທີ່ທີ່ myelination ແມ່ນບໍ່ມີຢ່າງກວ້າງຂວາງ. ໃນຜູ້ໃຫຍ່ຫນ້ອຍກ່ວາ 12 ເດືອນ, ຢ່າງໃດກໍຕາມ, distincting ວັດສະດຸສີຂາວຈາກວັດສະດຸສີຂາວແມ່ນງ່າຍ. ນີ້ເປັນສິ່ງທີ່ສໍາຄັນ, ໃນຂະນະທີ່ວັດສະດຸສີຂາວສ້າງ cortex cerebral, ສັດສະດຸຂອງວົງຈອນສໍາລັບການປິ່ນປົວທີ່ຮູ້ຈັກ. ໃນເວລາທີ່ radiologists analyze MRI scans during this stage of brain development, ພວກເຮົາມີປະສົບການສອງຂະຫນາດໃຫຍ່: Differentiating between white matter and gray matter. Determining the volume of gray matter and white matter. ການທົບທວນຄືນຂອງ radiologists, clinicians ສາມາດທົດສອບວິທີການທີ່ສຸຂະພາບຂອງມະນຸດຂ້າງຂວາງໄປຢ້ຽມຢາມ cortex ເພື່ອສ້າງເສັ້ນທາງ neuronal ຂອງມະນຸດ. observing these changes over time reveals whether the cortex is thinning or thickening and if the white matter is fully developed. ສໍາລັບເດັກນ້ອຍ, ການ MRI ແມ່ນອະນຸຍາດໂດຍຜູ້ປິ່ນປົວພຽງແຕ່ໃນເວລາທີ່ມີອຸປະກອນການຄົ້ນຄວ້າທີ່ເຂັ້ມແຂງ. ນີ້ສາມາດປະກອບດ້ວຍການປິ່ນປົວທີ່ກ່ຽວຂ້ອງກັບລະບົບໄຮໂດຼລິກ, ການປິ່ນປົວຂອງອາຍແກັສ, ການປິ່ນປົວ, ຫຼືການສັກຢາຂອງ epilepsy. ເນື່ອງຈາກວ່າຜູ້ປິ່ນປົວທີ່ບໍ່ມີอายุ 6 ປີຕ້ອງການການປິ່ນປົວໂດຍທົ່ວໄປເພື່ອຕິດຕາມໃນໄລຍະການປິ່ນປົວ, ການ MRI ແມ່ນຖືກນໍາໃຊ້ໃນເດັກນ້ອຍນ້ອຍພຽງແຕ່ໃນເວລາທີ່ບໍ່ຈໍາເປັນ. ນີ້ແມ່ນວິທີການການເຮັດວຽກໂດຍປົກກະຕິ: The medical team places the patient under general anesthesia, positions them in the MRI scanner, and captures the images. The procedure typically takes about 30 minutes but can last up to 40–50 minutes. These images are then processed. A specialist can calculate the volumes of white matter and gray matter using a three-axis formula. Clinical guidelines define the timeframe for this analysis, which can take up to 72 hours in complex cases. If it is a follow-up scan, ການທົດສອບ takes even longer because the data must be evaluated against previous results from different time points. ວິທີການ AI ສາມາດຊ່ວຍ ວິທີການທີ່ໃຊ້ເວລາສໍາລັບການ evaluating myelination brain ໃນເດັກນ້ອຍຫນ້ອຍກ່ວາຫນຶ່ງປີແມ່ນຫຼາຍກ່ວາວິທີການທີ່ກ່ຽວຂ້ອງ. radiologists ທີ່ມີປະສົບການສາມາດຄັດເລືອກຈາກຮູບພາບຫຼືຂະຫນາດຂອງອຸປະກອນສີຂາວເປັນປະສິດທິພາບ. ໃນກໍລະນີທີ່ງ່າຍດາຍ, 30 ນາທີເຖິງ 2 ຊົ່ວໂມງຂອງການທົບທວນຄືນໂດຍຜ່ານການ MRI console ແມ່ນປະສິດທິພາບ, ແລະ AI ແມ່ນບໍ່ຈໍາເປັນ. ການຝຶກອົບຮົມຂອງພວກເຮົາແມ່ນການຝຶກອົບຮົມສໍາລັບການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດແລະວິທະຍາໄລກ່ຽວກັບການຝຶກອົບຮົມຂອງພວກເຮົາ. ການຄົ້ນຄວ້າຄອມພິວເຕີສາມາດຊ່ວຍ radiologists ໂດຍ flagging ພື້ນທີ່ທີ່ການປ່ຽນແປງໃນ contours ຂອງອຸປະກອນສີຂາວແລະອຸປະກອນສີຂາວແມ່ນປະສິດທິພາບທີ່ສຸດ. ນີ້ຍັງສາມາດນໍາໃຊ້ເປັນການຊ່ວຍເຫຼືອການຝຶກອົບຮົມທີ່ບໍ່ມີຄ່າໃຊ້ຈ່າຍສໍາລັບຜູ້ຊ່ຽວຊານແລະຜູ້ສະຫມັກ. ຄໍາຮ້ອງສະຫມັກນີ້ສະຫນອງຜົນປະໂຫຍດຈໍານວນຫຼາຍສໍາລັບການ scanning ປະຫວັດສາດ: Speed up the analysis process. Optimize follow-up schedules to ensure scans are performed only as often as needed, avoiding unnecessary anesthesia. Enhance radiologists’ capacity to examine more patients. ໃນຕອນແລງ, ມັນອາດຈະເປັນວ່າພວກເຮົາມີຄວາມສາມາດໃນການນໍາໃຊ້ຊຸດຂໍ້ມູນ open source ທີ່ມີແລະມາດຕະຖານ pre-trained ສໍາລັບຈຸດປະສົງນີ້. ຫຼັງຈາກນັ້ນ, ຄວາມປອດໄພທີ່ແຕກຕ່າງກັນໄດ້ຖືກປິ່ນປົວໂດຍໃຊ້ການນໍາໃຊ້ AI ໃນການຝຶກອົບຮົມການຝຶກອົບຮົມ machine learning. ໂດຍສະເພາະ, ການຝຶກອົບຮົມ MICCAI Grand Challenge 2019 ໄດ້ concentrated on segmenting MRI images of infant brains under six months. Developer from around the world attempted to solve the challenge using the iSeg-2019 dataset. ຫຼັງຈາກນັ້ນ, ຄວາມປອດໄພທີ່ແຕກຕ່າງກັນໄດ້ຖືກປິ່ນປົວໂດຍໃຊ້ການນໍາໃຊ້ AI ໃນການຝຶກອົບຮົມການຝຶກອົບຮົມ machine learning. ໂດຍສະເພາະ, 2019 ການອອກແບບຈາກທົ່ວໂລກໄດ້ທົດສອບຄວາມຕ້ອງການໂດຍໃຊ້ iSeg-2019 dataset. ຫນ້າທໍາອິດ / MICCAI Grand Challenge ຫນ້າທໍາອິດ / MICCAI Grand Challenge ຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການເຂົ້າລະຫັດຂອງການເຂົ້າລະຫັດ, ທ່ານສາມາດເຂົ້າເຖິງຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການເຂົ້າລະຫັດຂອງການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າລະຫັດໂດຍຜ່ານການເຂົ້າເຖິງ. ນີ້ໄດ້ຖືກນໍາໃຊ້ໂດຍການຄຸ້ມຄອງຂໍ້ມູນຂອງພວກເຮົາ. ວິທີການປ່ຽນ MRI scans ໃນ dataset ສໍາລັບການຝຶກອົບຮົມເຄື່ອງ ວິທະຍາໄລ Yandex ໄດ້ຮັບການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ ນີ້ແມ່ນການທົບທວນຄືນລະດັບສູງຂອງ data pipeline. ຂໍຂອບໃຈວ່າທ່ານກໍາລັງຊອກຫາຂໍ້ມູນເພີ່ມເຕີມ. . ການກວດສອບ MRI ໄດ້ຖືກເກັບຮັກສາໃນລະບົບການກວດສອບຮູບພາບແລະການສື່ສານ (PACS) ທີ່ຖືກອອກແບບມາສໍາລັບການຄວບຄຸມຮູບພາບດ້ານວິຊາການໃນຮູບແບບ DICOM. ລະບົບນີ້ກວດສອບແລະການປິ່ນປົວການກວດສອບທີ່ບໍ່ມີຊື່ສຽງ, ເຊິ່ງສ້າງພື້ນຖານຂອງ dataset ການຝຶກອົບຮົມຂອງຮູບແບບ. ເພື່ອຕິດຕັ້ງລະບົບນີ້, ພວກເຮົາສ້າງເຄື່ອງ virtual ໃນ Yandex Compute Cloud. ພວກເຮົາມີການອັບໂຫລດການກວດສອບ MRI ທີ່ບໍ່ມີຊື່ສຽງຂອງເດັກນ້ອຍຫນ້ອຍກ່ວາ 12 ເດືອນຈາກການກວດສອບຂອງວິທະຍາໄລ, ລວມທັງຂໍ້ມູນ iSeg-2019. Loading the raw data ການຄົ້ນຄວ້າທັງ ຫມົດ ແມ່ນການຄົ້ນຄວ້າຂອງຮູບພາບ MRI ທີ່ໄດ້ຮັບການຊອກຫາໃນຮູບພາບຕ່າງໆ: T1, T2, FLAIR, ແລະ DWI. ຮູບພາບນີ້ລັກສະນະທີ່ແຕກຕ່າງກັນຂອງຮ່າງກາຍທີ່ຊ່ວຍໃຫ້ຜູ້ຄົ້ນຄວ້າທີ່ແຕກຕ່າງກັນທີ່ແຕກຕ່າງກັນລະຫວ່າງປະເພດຕ່າງໆ (ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມ, ກະລຸນາເບິ່ງ ). ເພື່ອສະຫນັບສະຫນູນຄວາມຕ້ອງການນີ້, ລະບົບນີ້ເກັບຮັກສາ metadata ອັດຕະໂນມັດແລະການປິ່ນປົວຊຸດ MRI ຫຼາຍເປັນການຄົ້ນຄວ້າຫນຶ່ງ, unified. This ensures that no personal data is stored on the server because we work only with an anonymized dataset. ພາສາລາວ ພາສາລາວ . ສໍາລັບຜູ້ໃຫຍ່ຫຼາຍກ່ວາ 1 ປີ, ຮູບພາບທາງດ້ານສຸຂະພາບຂອງວົງສາມາດໄດ້ຮັບການ annotated ໂດຍໃຊ້ເຄື່ອງມືອັດຕະໂນມັດເຊັ່ນ 3D Slicer open-source, ເຊິ່ງຄອມພິວເຕີຂະຫນາດຂອງອຸປະກອນສີຂາວແລະອຸປະກອນສີຂາວ. ຢ່າງໃດກໍຕາມ, ວິທີການເຫຼົ່ານີ້ບໍ່ມີປະສິດທິພາບສໍາລັບຜູ້ໃຫຍ່ຫນ້ອຍ. ກ່ຽວກັບການກວດສອບ MRI ຂອງເດັກນ້ອຍ, ເຖິງແມ່ນວ່າ radiologists ທີ່ມີປະສົບການສາມາດຊອກຫາຄວາມເຂັ້ມແຂງທີ່ແຕກຕ່າງກັນຂອງອຸປະກອນສີຂາວຈາກອຸປະກອນສີຂາວ, ເຮັດໃຫ້ annotation ເປັນກິດຈະກໍາ pixel-by-pixel ເຫມາະສົມ. Annotating the collected data ໃນຕອນເລີ່ມຕົ້ນ, ພວກເຮົາມີການຝຶກອົບຮົມໃຫ້ຜູ້ຊ່ຽວຊານ radiologists ເພື່ອ annotate data raw ຈາກທັນສະໄຫມ, ແຕ່ການປິ່ນປົວໄດ້ສະແດງໃຫ້ເຫັນວ່າມັນມີເວລາຫຼາຍກ່ວາ: ການທົດສອບຫນຶ່ງທີ່ມີພຽງແຕ່ສອງ slices ສາມາດໃຊ້ເວລາ 8 ຊົ່ວໂມງຫຼືຫຼາຍກ່ວາ. ການນໍາສະເຫນີຂອງຜູ້ຊ່ຽວຊານ ML ຂອງພວກເຮົາເພື່ອຄວາມໄວ້ວາງໃຈຂອງການປະຕິບັດ pre-anotation using an open-source model called Baby Intensity-Based Segmentation Network ( ລະບົບໄຮໂດຼລິກແມ່ນສ້າງຕັ້ງຂຶ້ນໂດຍ nnU-Net ແລະຖືກອອກແບບມາເພື່ອຊອກຫາອຸປະກອນສີຂາວແລະອຸປະກອນສີຂາວ. ພາສາລາວ ພາສາລາວ ຫຼັງຈາກການທົບທວນຄືນຜົນປະໂຫຍດ pre-anotation, ພວກເຮົາໄດ້ຊອກຫາວ່າມີສະຖານທີ່ທີ່ດີທີ່ສຸດສໍາລັບການປັບປຸງຈໍານວນຫຼາຍຂອງມາດຕະຖານ. Time of inference for a single volume was about 2.5 minutes. To accelerate the process, the team scaled up the calculations: The BIBSNet Docker container was adapted for parallel execution. The container was deployed on 20 virtual machines, each processing data independently. ໃນຖານະເປັນຜູ້ຊ່ຽວຊານຂອງພວກເຮົາ radiologists, pre-annotations ໄດ້ຖືກນໍາໃຊ້ໃນ 40% ຂອງກໍລະນີ, ແລະມັນພຽງແຕ່ໄດ້ຊ່ວຍຫຼຸດຜ່ອນການເຮັດວຽກ manual. ຜູ້ຊ່ຽວຊານ ML ຂອງພວກເຮົາຍັງ benchmarked ປະສິດທິພາບຂອງ BIBSNet ໃນ segmenting ວັດສະດຸ gray (GM) ແລະ ວັດສະດຸ White (WM) ໃນ T1-weighted (sagittal) ແລະ T2-weighted (axial) MRI scans. ໃນປັດຈຸບັນ, ພວກເຮົາມີຄວາມຊ່ຽວຊານໃນການຄົ້ນຄວ້າແລະການຄົ້ນຄວ້າ, ການຄົ້ນຄວ້າແລະການຄົ້ນຄວ້າ, ການຄົ້ນຄວ້າ, ການຄົ້ນຄວ້າແລະການຄົ້ນຄວ້າ. ຫຼັກສູດການຝຶກອົບຮົມຂອງພວກເຮົາ ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍ jet ເອກະຊົນບໍລິການ jet ເອກະຊົນບໍລິການ jet ເອກະຊົນບໍລິການລູກຄ້າ charter Atlanta! ດັ່ງນັ້ນ, ພວກເຮົາເລືອກ segmenter ສ້າງຈາກສອງປະເພດຂອງເຄືອຂ່າຍ neuronal: ລະບົບໄຮໂດຼລິກ Convolutional serves as feature extractors (backbones), adapting well to tasks beyond classification (ເຊັ່ນ segmentation). Architectures ທີ່ຖືກພັດທະນາຢ່າງກວ້າງຂວາງສໍາລັບການ imaging ອັດຕະໂນມັດ, ມີ U-Net ເປັນການເລືອກຕົ້ນຕໍ. ວິທະຍາໄລ Yandex School of Data Analysis ໄດ້ຮັບການພັດທະນາຂອງມາດຕະຖານ segmentation ທີ່ສາມາດເປັນປະໂຫຍດເປັນ BIBSNet ແຕ່ສະຫນອງເວລາ inference ຫຼາຍໄວ. ສໍາລັບອຸດສາຫະກໍາເຄືອຂ່າຍ neuronal, ພວກເຂົາໄດ້ທົດສອບ U-Net, U-Net++, ແລະ DeepLabV3. ສໍາລັບ backbones extraction feature, ພວກເຂົາໄດ້ທົດສອບ ResNet-50, ResNet-101, ResNeXt-50, ResNeXt-101, ແລະ DenseNet-161. ໃນໄລຍະການທົດສອບ, ທີມງານໄດ້ທົດສອບວິທີການຕ່າງໆ: Training purely on target slices (2D): We trained a 2D segmentation model exclusively on manually annotated slices (the initial 30 studies). However, the small amount of training data limited the model's capacity to generalize. Training on combined iSeg-2019 and target data (3D): The model was trained on a combined dataset that included the fully annotated iSeg-2019 data and our target data. For slices in the target studies without annotations, we applied a mask that zeroed out their contribution to the loss function. This ensured that only annotated slices from the target data were used, preventing errors during training. ສິ່ງທີ່ພວກເຮົາກໍາລັງຊອກຫາ ນີ້ແມ່ນສິ່ງທີ່ການທົດສອບຂອງພວກເຮົາມີທີ່ມີຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນຂອງ extrusion backbones ໄດ້ສະແດງ: ການທົດສອບທີ່ມີອຸດສາຫະກໍາ Network Architecture: ການທົດສອບທີ່ດີທີ່ສຸດແມ່ນການຝຶກອົບຮົມ U-Net ມີຕົວແທນ ResNeXt50 ໂດຍໃຊ້ Function DiceLoss. ນີ້ແມ່ນວິທີການທີ່ມາດຕະຖານປະຕິບັດກ່ຽວກັບການ validation ຊຸດ. ການຄົ້ນຄວ້າທີ່ແທ້ຈິງຈາກການ validation ຊຸດ: ຊື່ຫຍໍ້ຂອງ : Example output from the algorithm ລະຫັດ QR iou void iou GM iou WM iou mean unet_resnext50_32x4d_dice_1 0.981 0.629 0.501 0.703 ລະຫັດ QR 0.981 0.629 0.501 0.703 ຄວາມໄວ inference ຂອງເຄືອຂ່າຍ neuronal ທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນ CPU ແມ່ນປະມານ 3 ວິນາທີ. ວິທີການເຮັດວຽກໃນປັດຈຸບັນ ລະຫັດ QR , ໄດ້ຖືກອອກແບບເປັນບໍລິການເວັບໄຊທ໌ສໍາລັບການ radiologists ເຮັດໃຫ້ການກວດສອບ MRI ຂອງເດັກນ້ອຍ. ພວກເຂົາເຈົ້າສາມາດອັບໂຫລດເອກະສານທີ່ຊື້ໃຫ້ບໍລິການຫຼັງຈາກການປິ່ນປົວ. ລະບົບ anonymizes ຂໍ້ມູນທີ່ອັບໂຫລດ, ດາວໂຫລດທຸກຂໍ້ມູນທີ່ສາມາດເຂົ້າລະຫັດຢ່າງເປັນສ່ວນບຸກຄົນ, ເຊັ່ນດຽວກັນກັບຊື່ຂອງຜູ້ຊ່ຽວຊານ, ຈາກບັນຊີ. ດາວນ໌ໂຫລດ GitHub ການປິ່ນປົວໄດ້ຖືກເຂົ້າລະຫັດໂດຍໃຊ້ການເຂົ້າລະຫັດອັດຕະໂນມັດອຸປະກອນສີຂາວແລະອຸປະກອນສີຂາວໃນແຕ່ລະ slice MRI, ການສະຫນອງການຄາດຄະເນດິນທີ່ມີຄາດຄະເນດິນດີຕ້ອນຮັບ. ການບໍລິການແມ່ນຕົ້ນຕໍແມ່ນ morphometric, ເຊິ່ງເປັນການກວດສອບຂະຫນາດຂອງຮ່າງກາຍ. ຫຼັງຈາກການປິ່ນປົວໄດ້ຖືກປິ່ນປົວ, ຜູ້ໃຊ້ຈະເບິ່ງຂະຫນາດການຄາດຄະເນຂອງຮູບແບບຂອງອຸປະກອນສີຂາວ, ອຸປະກອນສີຂາວ, ແລະອຸປະກອນ cerebrospinal, ເຊັ່ນດຽວກັນກັບຄໍາແນະນໍາຂອງອຸປະກອນທີ່ໃຫຍ່ທີ່ສຸດ. ການຄົ້ນຄວ້າແລະການຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງ ການທົດສອບຂອງພວກເຮົາມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາ 90%. ພວກເຮົາມີຄວາມຄາດຄະເນດິນດີຕ້ອນຮັບການປັບປຸງນີ້ໃນຂະນະທີ່ພວກເຮົາມີຄວາມກ້ວາງໃຈໃນການກວດສອບຕົວແບບ, ເຊິ່ງໄດ້ຖືກຝຶກອົບຮົມໃນຕອນເລີ່ມຕົ້ນກ່ຽວກັບຂໍ້ມູນທີ່ຖືກຕ້ອງ. ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈຂອງຂ້າພະເຈົ້າ, ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈຂອງຂ້າພະເຈົ້າ ລະບົບໄຮໂດຼລິກທີ່ໄດ້ຮັບການທົດສອບໃນວິທະຍາໄລແພດ Pediatric State of St. Petersburg, ແລະຜູ້ຊ່ຽວຊານແມ່ນອະນຸຍາດໃຫ້ຜູ້ຊອກຫາຂອງພວກເຂົາກັບສະຖານະການແພດອື່ນໆ. ຄວາມປອດໄພຂອງການແກ້ໄຂການແກ້ໄຂ MRI ສໍາລັບ radiologists ຈາກສອງມື້ຫຼືພຽງແຕ່ສອງ ນາທີ. ຫຼັງຈາກການທົດສອບໄດ້ຖືກກໍານົດ, ພວກເຮົາຍັງຄາດວ່າຈະສົ່ງເສີມການແກ້ໄຂເປັນ open source ສໍາລັບການນໍາໃຊ້ໃນອຸປະກອນການຄົ້ນຄວ້າແລະໂຄງການຄົ້ນຄວ້າໃນທົ່ວໂລກ. ການແກ້ໄຂຍັງມີປະສົບການວິທະຍາສາດທີ່ເຂັ້ມແຂງ. ເນື່ອງຈາກວ່າຂະຫນາດໃຫຍ່ຂອງວົງຈອນຂອງເດັກນ້ອຍບໍ່ໄດ້ຖືກກວດສອບຢ່າງກວ້າງຂວາງ, ການຄົ້ນຄວ້າພື້ນຖານບໍ່ໄດ້ກວດສອບການປ່ຽນແປງຂອງຂະຫນາດໃຫຍ່ຂອງວົງຈອນໃນໄລຍະ cohorts ຂະຫນາດໃຫຍ່. ສໍາລັບປະເພດຕ່າງໆແລະການປິ່ນປົວ, ການຄົ້ນຄວ້ານີ້ສາມາດຊ່ວຍໃຫ້ປັບປຸງມາດຕະຖານການປິ່ນປົວ.
