Рентген контроль при пневмонии


Когда делается повторный рентген после пневмонии

Медицинские показания к проведению рентгенографии легких в двух проекциях (передняя, боковая) включают в себя подозрение на пневмонию при наличии следующих симптомов у пациента:

  1. Лихорадка выше 38°С с острым началом заболевания.
  2. Кашель с мокротой любого характера (от слизистой до гнойной с прожилками крови).
  3. Наличие аускультативных и перкуторных симптомов пневмонии: влажные хрипы, крепитация, укорочение тона.
  4. Изменения в общем анализе крови по типу лейкоцитоза с цифрами выше 10*109/л либо наличие палочкоядерного сдвига выше 10%.

При выявлении патологических изменений на рентген-снимке, характерных для пневмонии, пациенту назначается соответствующая терапия.

Графики проведения рентгенограмм

Однако после установления диагноза для заболевшего остается неясным, как часто ему требуется проведение дополнительных рентгенологических исследований.

Неосложненное течение пневмонии, легкая и средняя степени тяжести заболевания, как правило, требуют двукратного повторного рентген-снимка через 3-4 дня и через 6-10 дней от начала антибактериальной терапии. Если при втором контрольном исследовании отмечается положительная динамика в виде разрешения инфильтрации легочной ткани, значительного ее уменьшения, пациент считается выздоравливающим.

Критерии выздоровления при пневмонии перечислены ниже:

  1. Нормализация состояния больного (субъективная оценка).
  2. Исчезновение физикальных, рентгенологических и лабораторных симптомов воспаления легкого.

После лечения пациент передается в поликлинику для диспансерного наблюдения, сроки которого обычно составляют 6 месяцев. Осмотры терапевтом, выполнение ОАК, ОАМ, биохимического анализа крови и рентгенографии легких выполняются по графику 1-3-6 месяцев после клинического выздоровления.

Общая радиологическая нагрузка за весь период при неосложненном течении пневмонии составляет от 0,2 до 0,5 мЗв (метод цифровой рентгенографии).

Подход при осложненном течении

Осложненное течение заболевания либо отсутствие эффекта от антибактериальной терапии имеют другой подход к рентгенодиагностике.

При отсутствии эффекта от антибиотика (АБ) первое рентгенологическое исследование выполняется на 3-4 сутки от начала лечения. По его результатам (и клинике) оценивается потребность в смене этиотропной терапии. Затем проводится повторная рентгенография в двух проекциях на сроке 7-10 дней после замены АБ. Далее возможны варианты ведения пациента:

  1. При отсутствии инфильтрации легочной ткани на третьем контрольном рентген-снимке (через 14-20 дней после смены антибактериальной терапии) и клиническом выздоровлении пациент передается для диспансерного наблюдения в поликлинику, сроки которого удлиняются до года. В этот период проводятся осмотры, лабораторные и рентген-исследования по графику 1-3-6-12 мес.
  2. При отсутствии положительной рентген-динамики, как правило, необходимы консультация фтизиатра, проведение бронхоскопии, компьютерной томографии легких. Далее по результатам дополнительного обследования.

При осложненном течении пневмонии не существует никакого графика проведения рентгенологических исследований, так как иногда невозможно предугадать ход последующего развития заболевания.

Осложнения воспаления легкого, требующие частого проведения R-графии:

  1. Эмпиема плевры, пиоторакс.
  2. Абсцедирование легкого.
  3. Формирование осумкованного плеврита.
  4. Пневмоторакс.
  5. Отек легкого.
  6. Гидроторакс, выпотной плеврит.
  7. Сепсис.

Общая радиологическая нагрузка при пневмонии с осложненным течением может увеличиваться до 2 мЗв при использовании цифрового метода.

В конце следует отметить, что решение о проведении дополнительного R-обследования при данном заболевании принимает лечащий врач на основании клинического осмотра, поэтому приведенные выше сроки никоим образом не могут быть использованы для оценки компетентности медицинского персонала.

anjanatiha / Обнаружение пневмонии на рентгеновских изображениях грудной клетки с глубоким обучением: обнаружение пневмонии на рентгеновских изображениях грудной клетки с использованием сверточной нейронной сети и предварительно обученных моделей

перейти к содержанию Зарегистрироваться
  • Почему именно GitHub? Особенности →
    • Обзор кода
    • Управление проектами
    • Интеграции
    • Действия
    • Пакеты
    • Безопасность
    • Управление командой
    • Хостинг
    • мобильный
    • Истории клиентов →
    • Безопасность →
  • Команда
.

Deep Learning для обнаружения пневмонии по рентгеновским снимкам | Абхинав Сагар

Непрерывный конвейер для обнаружения пневмонии по рентгеновским снимкам

Застрял за платным доступом? Щелкните здесь, чтобы прочитать полную историю с помощью моего Friend Link!

Риск пневмонии огромен для многих, особенно в развивающихся странах, где миллиарды людей сталкиваются с энергетической бедностью и полагаются на загрязняющие виды энергии. По оценкам ВОЗ, ежегодно более 4 миллионов случаев преждевременной смерти происходят от болезней, связанных с загрязнением воздуха в домашних условиях, включая пневмонию.Ежегодно более 150 миллионов человек заражаются пневмонией, особенно дети в возрасте до 5 лет. В таких регионах проблема может усугубиться из-за нехватки медицинских ресурсов и кадров. Например, в 57 странах Африки нехватка врачей и медсестер составляет 2,3 миллиона человек. Для этих групп населения точный и быстрый диагноз означает все. Это может гарантировать своевременный доступ к лечению и сэкономить необходимое время и деньги для тех, кто уже находится в бедности.

Этот проект является частью рентгеновского снимка грудной клетки (пневмония), проводимого на Kaggle.

Создайте алгоритм для автоматического определения того, страдает ли пациент пневмонией, по рентгеновским изображениям грудной клетки. Алгоритм должен был быть предельно точным, потому что на карту поставлены жизни людей.

  1. scikit-learn
  2. keras
  3. numpy
  4. pandas
  5. matplotlib

Набор данных можно загрузить с веб-сайта kaggle, который можно найти здесь.

Без лишних слов, давайте начнем с кода.Полный проект на github можно найти здесь.

Начнем с загрузки всех библиотек и зависимостей.

Затем я показал несколько нормальных изображений и изображений пневмонии, чтобы просто посмотреть, насколько они отличаются невооруженным глазом. Ну не очень!

Образцы изображений

Затем я разделил набор данных на три набора - обучающий, проверочный и тестовый.

Затем я написал функцию, в которой я немного увеличил данные, подал в сеть изображения обучающего и тестового набора.Также я создал ярлыки для изображений.

Практика увеличения данных - эффективный способ увеличения размера обучающей выборки. Дополнение обучающих примеров позволяет сети «видеть» более разнообразные, но все же репрезентативные точки данных во время обучения.

Затем я определил пару генераторов данных: один для данных обучения, а другой - для данных проверки. Генератор данных , способен загружать необходимый объем данных (мини-пакет изображений) непосредственно из исходной папки, преобразовывать их в обучающие данные (поданные в модель) и обучающие цели (вектор атрибутов - сигнал наблюдения).

Для своих экспериментов я обычно устанавливаю batch_size = 64 . В общем, значение от 32 до 128 должно работать. Обычно вам следует увеличивать / уменьшать размер пакета в зависимости от вычислительных ресурсов и производительности модели.

После этого я определил некоторые константы для дальнейшего использования.

Следующим шагом было построение модели. Это можно описать в следующих 5 шагах.

  1. Я использовал пять сверточных блоков, состоящих из сверточного слоя, максимального объединения и пакетной нормализации.
  2. Поверх него я использовал плоский слой, а затем четыре полностью связанных слоя.
  3. Также в промежутках я использовал дропауты, чтобы уменьшить чрезмерную подгонку.
  4. Функция активации была Relu повсюду, за исключением последнего слоя, где она была Sigmoid, поскольку это проблема двоичной классификации.
  5. Я использовал Адама в качестве оптимизатора и кросс-энтропию в качестве потерь.

Перед обучением модель полезно определить один или несколько обратных вызовов. Довольно удобные: ModelCheckpoint и EarlyStopping .

  • ModelCheckpoint : когда обучение требует много времени для достижения хорошего результата, часто требуется много итераций. В этом случае лучше сохранять копию наиболее эффективной модели только по окончании эпохи, улучшающей показатели.
  • EarlyStopping : иногда во время обучения мы можем заметить, что разрыв в обобщении (то есть разница между обучением и ошибкой проверки) начинает увеличиваться, а не уменьшаться. Это симптом переобучения, который можно решить разными способами ( уменьшает емкость модели , увеличивает обучающие данные , увеличивает данные , регуляризация , выпадение и т. Д.).Часто практическим и эффективным решением является прекращение тренировок, когда разрыв в обобщении ухудшается.
Ранняя остановка

Затем я обучил модель для 10 эпох с размером пакета 32. Обратите внимание, что обычно больший размер пакета дает лучшие результаты, но за счет более высокой вычислительной нагрузки. Некоторые исследования также утверждают, что существует оптимальный размер пакета для получения наилучших результатов, который можно найти, потратив некоторое время на настройку гиперпараметров.

Давайте визуализируем графики потерь и точности.

Точность в сравнении с эпохой | Loss vs Epoch

Пока все хорошо. Модель сходится, что можно наблюдать по уменьшению потерь и потерь проверки с эпохами. Также он может достичь точности проверки 90% всего за 10 эпох.

Давайте построим матрицу неточностей и получим некоторые другие результаты, такие как точность, отзывчивость, оценка F1 и точность.

 МАТРИЦА НЕИСПРАВНОСТЕЙ ------------------ 
[[191 43]
[13 377]]

ТЕСТОВЫЕ МЕТРИКИ ------------- ---------
Точность: 91.02564102564102%
Точность: 89.76190476190476%
Отзыв: 96.66666666666667%
F1-оценка: 93.08641975308642

TRAIN METRIC ----------------------
Поезд: 94.23

Модель может достигать точности 91,02%, что неплохо, учитывая размер используемых данных.

Хотя этот проект далек от завершения, но примечательно видеть успех глубокого обучения в таких разнообразных проблемах реального мира. Я продемонстрировал, как классифицировать положительные и отрицательные данные о пневмонии из коллекции рентгеновских снимков.Модель была создана с нуля, что отличает ее от других методов, которые в значительной степени полагаются на метод трансферного обучения. В будущем эта работа может быть расширена для обнаружения и классификации рентгеновских изображений, состоящих из рака легких и пневмонии. В последнее время большой проблемой было различение рентгеновских изображений, на которых обнаружены рак легких и пневмония, и наш следующий подход должен заключаться в решении этой проблемы.

Соответствующий исходный код можно найти здесь.

Приятного чтения, удачного обучения и удачного программирования!

Если вы хотите быть в курсе моих последних статей и проектов, подписывайтесь на меня на Medium.Вот некоторые из моих контактных данных:

.

ziqingW / Pneumonia_x_ray_classification: Модель сверточной нейронной сети для классификации пациентов с пневмонией по рентгеновским снимкам

перейти к содержанию Зарегистрироваться
  • Почему именно GitHub? Особенности →
    • Обзор кода
    • Управление проектами
    • Интеграции
    • Действия
    • Пакеты
    • Безопасность
    • Управление командой
    • Хостинг
    • мобильный
    • Истории клиентов →
    • Безопасность →
.

andreiliphd / pytorch-pneumonia-x-ray: медицинский анализ рентгеновских снимков пневмонии с глубоким обучением с использованием PyTorch.

перейти к содержанию Зарегистрироваться
  • Почему именно GitHub? Особенности →
    • Обзор кода
    • Управление проектами
    • Интеграции
    • Действия
    • Пакеты
    • Безопасность
    • Управление командой
    • Хостинг
    • мобильный
    • Истории клиентов →
    • Безопасность →
  • Команда
.

Смотрите также