Abstract

Cervical spine fractures are the most common type of spinal injury, with over 17,730 spinal cord injuries occurring annually in the United States alone. The prevalence of spinal fractures is highest among the elderly, and these fractures are often difficult to detect due to the possibility of coexisting degenerative illnesses and osteoporosis. Computed Tomography (CT) is increasingly being used for the imaging diagnosis of adult spine fractures, replacing traditional radiography. An accurate and timely diagnosis is critical to preventing neurological degeneration and paralysis following trauma. Machine learning algorithms, such as the YOLO series developed by Ultralytics, have emerged as valuable tools for assisting radiologists in quickly detecting and localizing fractures. This research employs Yolov5, a nonexperimental version of the YOLO algorithm, to explore the impact of data augmentation on the accuracy of deep learning models for cervical spine CT scan data. The study uses a dataset from the Radiological Society of North America, American Society of Neuroradiology (ASNR), and the American Society of Spine Radiology (ASSR) research competition. Our findings reveal that data augmentation techniques, including HSV, Translation, Shear, and Flip, significantly improve the F1 score, precision, and accuracy of the model, corroborating the work of Ghorbani et al. (2020). However, excessive augmentation can negatively impact evaluation metrics, emphasizing the need to optimize augmentation thresholds for the specific dataset. In conclusion, the careful selection and combination of augmentation techniques can yield a more accurate model, enhancing the performance of deep learning models like Yolov5 for cervical spine fracture detection.

Salem Ghanem Ali Al-ali, Zayed University

Name of Guide/supervisor

Mohd Nazir

Year of awarding

2023

Keywords

augmentation, Computed Tomography, Machine learning, Yolo, Yolov5, Cervical spine fractures, spinal cord.

Arabic Title

تحسين دقة رصد الكسور في فقرات العنق في الصور المقطعية بإستخدام نموذج YOLOv5 بتحديد آلية التحسين

Arabic Abstract

تُعتبر إصابة العمود الفقري العنقي من أكثر الإصابات شيوعًا في كسور العمود الفقري، حيث تمثل أكثر من 17,730 إصابة سنويًا في الولايات المتحدة الأمريكية من أصل 1.5 مليون حالة من كسور العمود الفقري. ويكون عدد كسور العمود الفقري أكبر في كبار السن، وتصعب رؤية الكسور في التصوير الطبي بسبب إمكانية وجود مرض تدهوري متزامن وهشاشة العظام. وفي الوقت الحاضر، تستبدل تقنية الحاسب الآلي المقطعي (CT) التصوير الشعاعي (أشعة إكس) لتشخيص تصوير كسور العمود الفقري عند البالغين. ومن المهم العثور على أي كسور في الفقرات بأسرع ما يمكن لوقف التدهور العصبي والشلل الناتج عن الإصابة. ويساعد استخدام التعلم الآلي للكشف عن مثل هذه الكسور الأشعة السينية الخاصة بالرايولوجي في الكشف عن الكسور وتحديد مواقعها بسرعة، حيث توفر خوارزميات مثل Yolo series التي طورتها شركة Utraanalytics دقة وسرعة عالية بين خوارزميات الكشف عن الأشياء والتعرف عليها. وتستخدم هذه الدراسة آخر إصدار للخوارزمية غير التجريبية Yolov5 لتحقيق أهدافها. وأظهرت الأبحاث أن تقنيات تعزيز البيانات(Data Augmentation) تزيد من دقة نماذج التعلم العميق مثل عمل (Ghorbani et al., 2020) . وتستكشف هذه الدراسة تقنيات تعزيز البيانات التي تطبقها Yolov5، وتستخدم مجموعة بيانات من المسابقة البحثية للجمعية الشمالية الأمريكية للتصوير. وقد توصل البحث إلى عدة عوامل رئيسية تساهم في تعزيز البيانات في صور التصوير المقطعي المحوسب (CT) للعمود الفقري العنقي، من بينها سلوك تقنيات التعزيز مثل: التدوير، التحويل، التدرج أو الانعكاس. ويهدف هذا الأسلوب إلى زيادة حجم مجموعة البيانات وتنوعها وتحسين دقة النماذج الرياضية والذكاء الاصطناعي، التي تتميز بأكبر عائد إيجابي على نتيجة F1 والدقة والتحقق من الصحة. ومع ذلك، يؤدي الزيادة المفرطة في التعزيز إلى تأثير سلبي على مقاييس التقييم، مما يلخص إلى أنه يجب استخدام حدود التعزيز بدقة، وفقا لما يناسب مجموعة البيانات، مما يحقق أكبر عائد إيجابي على نتيجة إذ تؤدي بعض التركيبات إلى الحصول على نموذج أكثر دقة مما يناسب مجموعة البيانات، في حين يؤدي بعض التركيبات الى الحصول على نموذج أكثر دقة من مجرد تقنية التعزيز الفردية.

Arabic Keywords

تعزيز، تصوير الحاسوب المقطعي، التعلم الآلي، يولو، يولوفايف، كسور الفقرات العنقية، الحبل الشوكي

Download

Share

COinS