Publisher

STTSSTTS

Journal INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation Abstract

Pemilihan irisan MRI secara manual merupakan hambatan signifikan dalam alur kerja klinis. Masalah ini diperburuk oleh konvensi penamaan yang tidak konsisten dan protokol akuisisi yang bervariasi di seluruh institusi dan radiolog, yang seringkali menyebabkan upaya yang berlebihan dan potensi kelalaian selama pemrosesan data gambar medis. Studi ini memperkenalkan sistem klasifikasi hierarkis empat tingkat yang dirancang khusus untuk secara cerdas memfilter dan memilih irisan MRI tulang belakang yang relevan secara klinis langsung dari seri DICOM mentah. Tujuan utama kami adalah untuk merampingkan tahap awal penilaian radiologis, memastikan bahwa hanya gambar yang relevan yang disajikan untuk analisis dan peninjauan selanjutnya. Kami mengevaluasi secara menyeluruh kinerja arsitektur pembelajaran mendalam modern yang efisien, termasuk EfficientViT, MobileNetV4, dan RepViT, dengan membandingkannya dengan baseline ResNet-18 yang kuat. Pipeline yang diusulkan secara sistematis menyaring analisisnya melalui hierarki terstruktur: pertama, ia secara luas mengidentifikasi wilayah anatomis, kemudian secara tepat mengklasifikasikan lokasi tulang belakang dan tampilan tertentu (aksial, sagital, atau koronal). Selanjutnya, ia mengkategorikan kontras pencitraan, dan akhirnya, mengonfirmasi keberadaan sumsum tulang belakang. Hasil eksperimen komprehensif kami mengungkapkan bahwa model berbasis EfficientViT mencapai F1-score end-to-end tertinggi sebesar 0,8357, menunjukkan akurasi yang kuat di semua tingkatan klasifikasi. Selain itu, kecepatan inferensi rata-ratanya sebesar 9,17 ms per gambar menyoroti efisiensi komputasinya. Pipeline otomatis ini menawarkan solusi yang efektif dan efisien secara komputasi untuk mempercepat pemrosesan awal gambar medis, memastikan bahwa tugas analitis selanjutnya dilakukan pada data yang dipilih secara akurat dan relevan secara klinis.

Conclusion

Sistem klasifikasi hierarkis yang kami kembangkan berhasil mengotomatiskan identifikasi seri MRI tulang belakang yang relevan secara klinis, yang berpotensi mengurangi waktu pemrosesan data dan mendukung alur kerja radiolog.Dengan memecah masalah klasifikasi yang kompleks menjadi beberapa tugas yang lebih kecil, kami dapat mengatasi tantangan ketidakseimbangan data dan mengurangi kebutuhan data pelatihan pada setiap tahap.Hasil penelitian ini menunjukkan bahwa pendekatan ini dapat meningkatkan aksesibilitas dan standardisasi analisis gambar tulang belakang, membuka jalan bagi peningkatan perawatan pasien.

Future Research

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, perlu dilakukan validasi pada dataset yang lebih besar dan beragam dari berbagai institusi untuk memastikan generalisasi model yang lebih baik. Kedua, pengembangan teknik agregasi yang lebih canggih untuk pengambilan keputusan seri tingkat akhir dapat meningkatkan akurasi secara keseluruhan. Terakhir, eksplorasi arsitektur model yang menggabungkan kekuatan transformer dan CNN dapat menghasilkan kinerja yang lebih baik dan efisiensi komputasi yang lebih tinggi. Dengan mengeksplorasi arah penelitian ini, kita dapat lebih meningkatkan kemampuan sistem untuk secara otomatis mengidentifikasi dan memproses gambar MRI tulang belakang, yang pada akhirnya berkontribusi pada alur kerja radiologis yang lebih efisien dan perawatan pasien yang lebih baik.

References

1. [2404.10518] MobileNetV4 -- Universal Models for the Mobile Ecosystem. mobilenetv4 universal models mobile... doi.org/10.48550/arXiv.2404.105182404 10518 MobileNetV4 Universal Models for the Mobile Ecosystem mobilenetv4 universal models mobile doi 10 48550 arXiv 2404 10518
2. Deep learning approaches to predict late gadolinium enhancement and clinical outcomes in suspected cardiac... doi.org/10.36141/svdld.v42i1.15378Deep learning approaches to predict late gadolinium enhancement and clinical outcomes in suspected cardiac doi 10 36141 svdld v42i1 15378
3. [2010.11929] An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. worth 16x16... arxiv.org/abs/2010.119292010 11929 An Image is Worth 16x16 Words Transformers for Image Recognition at Scale worth 16x16 arxiv abs 2010 11929

Metadata

File size	879.72 KB
Pages	10
DMCA	Report