مقاله بهبود تشخیص MTBI با شبکه عصبی حلقوی سه گانه باقیمانده با استفاده از CT سه بعدی

چکیده

Mild Traumatic Brain Injury (mTBI) is a common and challenging condition to diagnose accurately. Timely and precise diagnosis is essential for effective treatment and improved patient outcomes. Traditional diagnostic methods for mTBI often have limitations in terms of accuracy and sensitivity. In this study, we introduce an innovative approach to enhance mTBI diagnosis using 3D Computed Tomography (CT) images and a metric learning technique trained with triplet loss. To address these challenges, we propose a Residual Triplet Convolutional Neural Network (RTCNN) model to distinguish between mTBI cases and healthy ones by embedding 3D CT scans into a feature space. The triplet loss function maximizes the margin between similar and dissimilar image pairs, optimizing feature representations. This facilitates better context placement of individual cases, aids informed decision-making, and has the potential to improve patient outcomes. Our RTCNN model shows promising performance in mTBI diagnosis, achieving an average accuracy of 94.3%, a sensitivity of 94.1%, and a specificity of 95.2%, as confirmed through a five-fold cross-validation. Importantly, when compared to the conventional Residual Convolutional Neural Network (RCNN) model, the RTCNN exhibits a significant improvement, showcasing a remarkable 22.5% increase in specificity, a notable 16.2% boost in accuracy, and an 11.3% enhancement in sensitivity. Moreover, RTCNN requires lower memory resources, making it not only highly effective but also resource-efficient in minimizing false positives while maximizing its diagnostic accuracy in distinguishing normal CT scans from mTBI cases. The quantitative performance metrics provided and utilization of occlusion sensitivity maps to visually explain the model’s decision-making process further enhance the interpretability and transparency of our approach.

چکیده به فارسی (ترجمه ماشینی)

آسیب مغزی خفیف مغزی (MTBI) یک بیماری شایع و چالش برانگیز برای تشخیص دقیق است.تشخیص به موقع و دقیق برای درمان مؤثر و بهبود نتایج بیمار ضروری است.روشهای تشخیصی سنتی برای MTBI اغلب از نظر دقت و حساسیت محدودیت هایی دارند.در این مطالعه ، ما یک رویکرد نوآورانه برای تقویت تشخیص MTBI با استفاده از تصاویر توموگرافی کامپیوتری سه بعدی (CT) و یک روش یادگیری متریک که با از دست دادن سه گانه آموزش دیده است ، معرفی می کنیم.برای پرداختن به این چالش ها ، ما یک مدل شبکه عصبی حلقوی سه گانه باقیمانده (RTCNN) را برای تمایز بین موارد MTBI و موارد سالم با تعبیه اسکن های سی تی سه بعدی در یک فضای ویژگی پیشنهاد می کنیم.عملکرد از دست دادن سه گانه حاشیه بین جفت های تصویر مشابه و متفاوت را به حداکثر می رساند و بازنمودهای ویژگی را بهینه می کند.این امر باعث ایجاد زمینه بهتر موارد فردی ، تصمیم گیری آگاهانه به ایدز می شود و پتانسیل بهبود نتایج بیمار را دارد.مدل RTCNN ما عملکرد امیدوار کننده در تشخیص MTBI را نشان می دهد ، و به طور متوسط به دقت 94.3 ٪ ، حساسیت 94.1 ٪ و ویژگی 95.2 ٪ ، همانطور که از طریق یک اعتبار متقابل پنج برابر تأیید شده است ، نشان می دهد.مهمتر اینکه ، در مقایسه با مدل شبکه عصبی حلقوی باقیمانده (RCNN) ، RTCNN پیشرفت قابل توجهی نشان می دهد ، افزایش چشمگیر 22.5 ٪ در ویژگی ، افزایش قابل توجه 16.2 ٪ در دقت و افزایش 11.3 ٪ در حساسیت.علاوه بر این ، RTCNN به منابع حافظه کمتری نیاز دارد ، و این امر نه تنها بسیار مؤثر است بلکه در به حداقل رساندن مثبت کاذب و ضمن به حداکثر رساندن دقت تشخیصی آن در تشخیص اسکن های CT طبیعی از موارد MTBI نیز کارآمد است.معیارهای عملکرد کمی ارائه شده و استفاده از نقشه های حساسیت به انسداد برای توضیح بصری فرایند تصمیم گیری مدل ، بیشتر تفسیر و شفافیت رویکرد ما را تقویت می کند.