Mail z pytaniami do pracy

[Wotaker]

Tutaj powstaje draft maila, pytania co do kwesti niejasnych, które wyślemy do Kasi

[Goader]

Mamy zapytać się:

• jaką metrykę chcemy optymalizować i jaki wynik będzie zadowalający?
• pokazać wszystkie nasze podejścia
  • liczenie szerokości po segmentacji (problem z segmentacją) i lokalne wykrywanie minimum
  • sumowanie natęzęnia oryginalnych pikseli po masce segmentacji i wykrywanie minimum
  • rozwikłanie obrazu i próba wytrenowania czegoś (raczej skazane na porażkę, mamy 37 przykładów pozytywnych, ale może jakoś z augmentacją danych, spróbować warto)
• czy te podejścia mają sens? może Pani podpowiedzieć jakieś inne? może są jakieś uwagi
• czy są nieoznaczone dane? możliwe, że jakbyśmy ich ręcznie oznaczyli, to dałoby się przynajmniej zrobić pretrening, nawet licząc, że dane będą w miarę złe, ale potem zrobilibyśmy fine-tuning na poprawnych danych
• Jaki jest pożądany rezultat? Czy detektor ma podpowiadać lekarzowi potencjalne przewężenia, czy to ma być ostateczna diagnoza?

Nie mam pomysłu na inne zapytania..

[Wotaker]

Odpowiedź Pani Heryan

1. Zaczęliśmy od wygenerowania szeregu czasowego mierząc szerokość naczynia w lini centralnej. W dalszym kroku chcemy analizować ten szereg, na przykład poprzez wykrywanie na nim anomalii. Alternatywnym podejściem które chcemy przetestować jest stworzenie klasyfikatora, który po podanym ROI określa czy występuje na nim zmiana chorobowa czy też nie. Czy takie podejścia wydają się słuszne? Czy może ma Pani jeszcze inne pomysły na realizację tematu?
   • Nie radzę bazować na segmentacji może być ona niedokładna zwłaszcza jeśli jest zrobiona/poprawiana ręcznie i mylnie wskazywać na obecność przewężeń, które nie są potem potwierdzone. Proponuję wyznaczać profile wartości i cech na linii prostopadłej do punktów linii centralnej. Linia centralna nie jest ciągła, jest zbudowana z punktów oddalonych od siebie o promień naczynia w danym miejscu, co daje optymalną estymatę położenie, ale przede wszystkim pozwala uniknąć szumów/artefaktów. Dla każdego punktu linii centralnej budujemy prostą prostopadłą do linii centralnej. Wartości obrazu na tej linii stanowią profil. Najlepiej pobawić się jakimś elementem strukturalnym (np. 3x3 lub 5x5), żeby nie utknąć w lokalnym minimum. Profil powinien być nieco dłuższy niż przekrój naczynia tak aby wyraźnie przekraczać granicę naczynia, lub uzupełniać ubytki spowodowane brakiem segmentacji. Oprócz wartości pochodzących z obrazu można też wziąć pod uwagę inne cechy, które mogły by być kolejno użyte w modelu klasyfikacyjnym. Można też zadanie podzielić na 2 etapy - detekcja przewężeń (np. zgrubne wskazanie obszaru) i ich charakterystyka (podanie maski). w toku pracy może okazać się, że ze względu na dużą różnorodność zmian okaże się podejście multiklasyfikacyjne względem klasyfikatora binarnego (przewężenie/nie-przewężenie). Wymagało by to wstępnej klasteryzacji przewężeń.
2. Czy istnieją jeszcze dane nieoznaczone, to znaczy skany naczyń wieńcowych, bez zaznaczonych masek oraz ROI ze zmianami chorobowymi? Przydały by się one dla ewentualnego pre-treningu modelu, np dla detekcji anomalii z użyciem autoencodrera.
   • Na bieżąco są tworzone nowe dane i pod koniec tygodnia wyślę aktualizację.
3. Na jakich metrykach powinniśmy się skupić i jaki ich poziom będzie zadowalający? To znaczy czy naszym celem jest maksymalizowanie recall czy precision, i jeśli byłby to recall, to jaki poziom precision byłby wystarczający?
   • Najważniejsze na etapie detekcji jest nieprzeoczenie zwężeń, nawet kosztem nadmiarowych detekcji. Chcemy żeby wykrywać przynajmniej 95% przewężeń - TP/(TP+FN)
4. Jak powinno wyglądać końcowe zastosowanie naszego projektu? Czy zależy nam aby lekarz otrzymał potencjalne ROI ze zmianami miażdżycowymi i miał możliwość odrzucenia false positive? To by odpowiadało duchowi aplikacji która usprawnia pracę lekarza poprzez podanie małej puli potencjalnych ROI, eliminując potrzebę ręcznej analizy licznych zdjęć.
   • Tak, najlepsza byłaby lokalizacja + charakterystyka.