【OpenVINO開發案例】骨質疏鬆人工智慧輔助篩檢系統

Posted By 柏瑞醫 on 4 月 16, 2022 in Edge AI, Intel, OpenVINO專欄, OpenVINO應用, 單元 | 0 comments

文章導覽

作者/圖片提供：柏瑞醫

本案例為《2021 Intel DevCup x OpenVINO Toolkit》實作組冠軍作品，特別邀請該團隊撰文分享其開發歷程、技術架構及成果，讓更多開發者可以借鏡學習。

骨質疏鬆是全世界第二大流行病，僅次於心血管疾病，導致每年骨折病患新增890萬人，比心臟病、中風、乳癌的罹病人數合計還多，每三秒就有一人因骨質疏鬆而骨折，目前全球已有超過三億的女性罹患骨質疏鬆。

現行骨鬆的檢測方式有足跟定量超音波骨密檢測儀、雙能量Ｘ光吸光式測定儀DXA。足跟定量超音波儀方便快速，但準確度不高，DXA精準且是目前的骨質疏鬆診斷標準，但儀器昂貴，導致全台數量分佈不均，檢查時間長且機動性低，無法廣泛推廣。因此，市面上缺乏一個快速、可靠且有效率的方式來檢測骨質疏鬆。

骨質疏鬆是全球第二大流行病，因此更需要精準的檢測方式。

開發目標

只要一般X光機或行動X光車所拍攝出符合WHO醫學指引的髖部醫學影像，就可運用AI輔助分析，於6秒鐘內產出骨質疏鬆風險報告。

此套篩檢系統可用於門診及健檢中心，提供精準快速的骨質疏鬆篩檢，也可搭配行動X光健檢車，協助醫療院所進入偏鄉與社區，主動提供民眾骨質疏鬆篩檢服務。篩檢部位只要符合WHO骨質疏鬆醫學指引，也可同步檢視個案是否有骨折，能提供潛在患者的及早發現與預防。

解決方案

開發過程中所用的技術架構如下圖所示：

本案的硬體採用AOPEN DEX5750 (Intel Core i7-1165G7)，軟體開發則架構在「X1 Imaging 骨質疏鬆人工智慧輔助篩檢系統」之上，本系統運用Intel Instance Segmentation models訓練出Segmentation AI模型，可辨識股骨的位置，以及人工關節與骨釘，並運用Classification AI 模型和線性化模型，預測出左右腿股骨的T-score及骨質疏鬆風險高低。系統架構說明如下：

1.Application : WPF C#/C++, Open CV, Emgu CV

2.Deep Learning Framework :

ZNET(柏瑞醫研發AI框架)
YOLOv5 V5.0 (本案率先將YOLOv5 V5.0 整合進OpenVINO 2021.4 )(官方發布YOLOv5 V4.0 整合進OpenVINO 2021.4.2)
Intel Instance Segmentation Models
AI Model Optimization : CNN Classification（分析骨質疏鬆風險高低）, CNN Object Detection及CNN Segmentation（可辨識股骨的位置，進而辨識正常骨頭、骨釘、人工關節等）
ONNX

3.OpenVINO 2021.4 :

OpenVINO Model Optimizer
ONNX Runtime for OpenVINO Base Windows 10 IoT

可運用Classification AI 模型和線性化模型，預測出左右腿股骨的T-score及骨質疏鬆風險高低

成果介紹

本案是第一個獨立率先完成於Intel 11^th CPU Tiger Lake 架構和Windows系統上成功建置ONNX Runtime for OpenVINO，亦率先將YOLOv5 V5.0 整合進OpenVINO 2021.4中。

解決方案執行方法流程圖

本案使用一般的X光機及依照WHO骨質疏鬆檢查醫學指引的髖部醫學影像，進行標注與訓練。運用訓練出的Segmentation AI模型，可辨識股骨的位置及進而辨識正常骨頭、骨釘、人工關節等。也運用Classification AI模型分析骨質疏鬆風險高低，以及線性化 AI模型能預測出左右腿股骨的 T-score。

其訓練過程中收集了1,000 名個案影像，運用專利「少資料高精度AI迭代訓練演算法」訓練，訓練效率可提升16倍。Segmentation AI技術上使用在ZNET框架整合Intel Instance Segmentation models，訓練骨質疏鬆Optimization的CNN Segmentation ONNX模型，並完成執行ONNX Runtime for OpenVINO在Windows 10上加速，實測結果效率可達三倍之多，Segmentation的平均可信度更高於 97%。

也進行200位個案的臨床測試，每一個案皆用DXA儀器檢測髖部的骨質疏鬆風險分析與T-score分析檢測報告比對，AI模型的AUC達96.4%，敏感度97.2%，特異度95.6%，陽性預測值95.7%，陰性預測值97.1%。