التحليل الكمي الآلي للأوعية الدموية الرئوية في الفتق الغرجية الخلقي باستخدام التعلم العميق

Emrah Aydin; Cihan Bilge Kayasandik; Aslıgül Aksan; Mustafa Ekrem Erakin; Jose Luis Peiro

doi:10.3791/70428

يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

التحليل الكمي الآلي للأوعية الدموية الرئوية في الفتق الغرجية الخلقي باستخدام التعلم العميق

112 مشاهدات

⸱

DOI:

10.3791/70428

⸱

مايو 8, 2026

Emrah Aydin¹^,² , Cihan Bilge Kayasandik³ , Aslıgül Aksan³ , Mustafa Ekrem Erakin³ , Jose Luis Peiro⁴

¹Division of Maternal Fetal Medicine, Jackson Fetal Care, Department of Obstetrics, Gynecology, and Reproductive Sciences, Miller School of Medicine, University of Miami, ²Department of Biongineering, Faculty of Chemical and Metallurgical Engineering, Yildiz Technical University, ³Department of Computer Engineering, Istanbul Medipol University, ⁴NYU-Langone Health Advanced Fetal Center

في هذه المقالة

ملخص

يصف هذا البروتوكول خط أنابيب تعلم عميق مؤتمت بالكامل لتقسيم وتحليل الأوعية الدموية الرئوية في فحوصات التصوير المقطعي لحديثي الولادة. تمكن هذه الطريقة من التقييم الشكلي الكمي لتطور الأوعية الدموية لدى الفتق الحجاب الحاجز الخلقي (CDH) والأشخاص الضابطين، مما يدعم التوصيف غير الجراحي لنقص التنسج الرئوي وتراجع الأوعية الدموية.

الملخص

يتميز الفتق الحجاب الحاجز الخلقي (CDH) بنقص تنسج رئوي وتراجع في الأوعية الدموية، مما يؤدي إلى ضعف تبادل الغازات وارتفاع معدل وفيات حديثي الولادة. التقييم الدقيق والكمي للأوعية الدموية الرئوية أمر بالغ الأهمية لفهم شدة المرض، لكن تقسيم الشبكات الوعائية ثلاثية الأبعاد يدويا في الصور الطبية يستغرق وقتا طويلا ويعتمد على المشغل.

يقدم هذا البروتوكول طريقة آلية بالكامل قائمة على التعلم العميق لتقسيم الأوعية الرئوية وتحليل الشكل باستخدام فحوصات التصوير المقطعي المحوسب بعد الولادة. يتضمن خط المعالجة خطوات معالجة مبدئية موحدة - التحويل إلى وحدات هونسفيلد، النوافذ، إعادة العينات متساوية الاتجاه، ومعادلة المدرجات التكيفية محدودة التباين (CLAHE) - لتطبيع بيانات التصوير وتعزيز رؤية الأوعية الدموية. ثم يتم تدريب بنية شبكة عصبية الالتفافية (CNN) على تقسيم الأوعية الدموية الرئوية، تليها خوارزمية هيكلية ثلاثية الأبعاد لقياس المعاملات المورفومترية مثل عدد الفروع، متوسط طول الفروع، وعمق الجيليات.

تظهر النتائج التمثيلية أن النموذج المقترح يحقق دقة تقسيمية عالية، مع تكوين التعلم التحويلي الذي يحقق أفضل أداء. يكشف التحليل الشكلي الكمي عن انخفاض ملحوظ في تعقيد الأوعية الدموية في CDH مقارنة بالرئتين الضابطتين، وهو ما يتوافق مع الخصائص المرضية المعروفة لنقص التنسج الرئوي.

يتيح هذا النهج الآلي إجراء تقييم قابل للتكرار والكمي وغير جراحي لشكل الأوعية الدموية الرئوية في CDH. يمكن تكييف الطريقة مع أساليب تصوير أخرى وتطبيقها على دراسات تطور الرئة الجنينية وحديثي الولادة، مما يسهل البحث الانتقالي والتكامل السريري المستقبلي.

المقدمة

الفتق الوحشي الخلقي (CDH) هو شذوذ خلقي مهدد للحياة يتميز بعيب في الحجاب الحاجز، مما يؤدي إلى انزلاق أحشاء البطن إلى الصدر ^1,2. هذا الضغط الجسدي يضعف تطور الرئة بشكل كبير، مما يؤدي إلى نقص تنسج الرئة وارتفاع ضغط الدم الرئوي المستمر، وهما الدافعان الرئيسيان للمراضة والوفاة. بالإضافة إلى نقص التنسج الرئوي وتراجع الأوعية الدموية، أظهرت أيضا اضطرابات تطور القلب وضعف وظائف البطين تأثيرا كبيرا على النتائج السريرية لدى المواليد المصابين ب CDH. تشمل الفسيولوجيا المرضية الأساسية تطورا غير طبيعي في مجريات الهواء وسرير الأوعية الدموية الرئوية، مما يؤدي إلى انخفاض عدد الأوعية الدموية، وزيادة عضلات الشرايين، وبالتالي ارتفاع مقاومة الأوعية الدموية ^3,4. هناك حاجة إلى مؤشرات حيوية موضوعية وكمية لتصنيف المخاطر بدقة، وتوجيه التدخلات، ومراقبة استجابة العلاج لدى مرضى CDH⁵. جانب حاسم من هذا التقييم هو التحليل التفصيلي للأوعية الدموية الرئوية، والذي يمكن أن يوفر رؤى حول مدى نقص التنسج الرئوي والقدرة الوظيفية للرئتين. لقد ساهمت التطورات في تقنيات التصوير، وخاصة التصوير المقطعي المحوسب (CT)، من قدرتنا على تصور وقياس الأوعية الدموية الرئوية بتفصيل كبير ^6,7.

بينما يوفر التصوير المقطعي المحوسب بعد الولادة تفاصيل تشريحية عالية الدقة للرئتين، يبقى تحليل شجرة الأوعية الدموية الرئوية المعقدة تحديا. تعتمد الطرق الحالية لتقسيم الأوعية الدموية غالبا على تقنيات معالجة الصور التقليدية التي تتطلب تدخلا يدويا كبيرا، وتكون عرضة للتشوهات الصورية، وقد لا تكون قوية أمام التشوهات التشريحية الشديدة في CDH 7,8,9,10. لقد حقق التعلم العميق، وخاصة الشبكات العصبية الالفافية (CNNs) مثل بنية U-Net، نجاحا ملحوظا في تقسيم الصور الطبية الآلي. ومع ذلك، فإن العديد من النماذج الحالية مدربة على أشخاص أصحاء أو في سياقات أمراض أخرى، مما يحد من قابليتها للتطبيق على الشذوذات الخلقية مثل CDH 10,11,12,13.

على الرغم من هذه التطورات، لا تزال هناك فجوات كبيرة في الأدبيات. ركزت العديد من الدراسات على الأفراد الأصحاء أو حالات رئوية محددة، مع اهتمام محدود بالشذوذات الخلقية مثل CDH¹². بالإضافة إلى ذلك، رغم أن نماذج التعلم العميق أظهرت تحسنا في الأداء، إلا أنها غالبا ما تتطلب مجموعات بيانات كبيرة مشروحة للتدريب، والتي ليست متاحة دائما للحالات النادرة مثل CDH. علاوة على ذلك، لم تعالج النماذج الحالية بشكل كامل تحدي التمييز بين أنواع الأوعية الرئوية المختلفة (مثل الشرايين والأوردة) في وجود تشوهات تشريحية شديدة ناتجة عن CDH. يؤكد هذا القيد الحاجة إلى مزيد من البحث لتطوير نماذج أكثر قوة يمكنها تقسيم وتحليل الأوعية الدموية الرئوية بدقة لدى مرضى CDH.

تهدف هذه الدراسة إلى معالجة هذه الثغرات من خلال تطوير والتحقق من صحة إطار عمل تعلم عميق آلي بالكامل لتقسيم الأوعية الدموية الرئوية واستخراج الميزات الموركومترية الكمية من فحوصات الأشعة المقطعية. ابتكار رئيسي في نهجنا هو تدريب نموذجنا على مجموعة بيانات مشتركة من مرضى CDH ومرضى التحكم، مما يمكنه من تعلم تمثيل قوي لكل من الأنماط الوعائية الطبيعية والمرضية. بينما يتضمن التصوير المقطعي المقطعي إشعاعا مؤينا، مما يجعله غير مناسب للفحص الطولي الروتيني، فإن هذه الدراسة تعد إثباتا حاسما للمفهوم. الهدف الأساسي من هذه الدراسة هو إثبات أن القياس الإشعاعي الآلي لبنية الأوعية الدموية ممكن ويمكنه التمييز بشكل موثوق بين مرضى CDH والأشخاص الضابطين. يوفر النجاح في هذا المجال التحقق اللازم لتكييف هذا الإطار الكمي مع أساليب تصوير خالية من الإشعاع، مثل التصوير بالرنين المغناطيسي (MRI)، للتطبيقات السريرية المستقبلية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تم تنفيذ جميع الإجراءات التي تشمل المشاركين البشريين وفقا لإرشادات لجنة أخلاقيات البحث البشري المؤسسي وتمت الموافقة عليها من قبل مجلس المراجعة المؤسسية (IRB #2017-6361). أجريت الدراسة وفقا للمعايير التنظيمية المعمول بها. تم جمع بيانات المرضى بأثر رجعي وإزالة الهوية قبل التحليل. يظهر الشكل 1 نظرة عامة على النظام المطور.

1. معالجة الصور مسبقا

تحميل صور الأشعة المقطعية الخام لمرضى حديثي الولادة بصيغة DICOM في بيئة العمل.
1. افتح برنامج تحليل الصور الطبية وأنشئ مساحة عمل مشروع جديدة.
2. انقر على ملف > استيراد سلسلة DICOM >.
3. انتقل إلى المجلد الذي يحتوي على الأشعة المقطعية لحديثي الولادة في الصدر بصيغة DICOM واختر سلسلة الصور الكاملة.
4. تحقق من أن جميع الشرائح في السلسلة تم اكتشافها ومرتبة بشكل صحيح بناء على بيانات الشراء (مثل رقم النسخة).
5. تأكد من أبعاد الصورة، وتباعد الأصوات، وسمك الشرائح في لوحة البيانات الوصفية لضمان الاتساق عبر المسحات.
6. قم بتحميل السلسلة في مساحة العمل وفحص العروض المحورية والإكليلية والسهمية بصريا لتأكيد الاتجاه الصحيح وعدم وجود أخطاء تحميل.
تحويل ملفات DICOM إلى صيغة NIfTI باستخدام برامج مفتوحة المصدر لتسهيل التلاعب والتحليل.
1. افتح نافذة طرفية داخل بيئة الحوسبة العلمية.
2. انتقل إلى الدليل الذي يحتوي على سلسلة صور DICOM باستخدام أمر cd.
3. تنفيذ أداة تحويل DICOM إلى NIfTI باستخدام هيكل الأوامر التالي: dcm2niix -z y -f output_filename -o /output_directory /input_directory
4. تأكد من تمكين الضغط (-z y) لإنشاء ملف .nii.gz مضغوط.
5. تحقق من أن ملف الإخراج تم توليده بنجاح في دليل الإخراج المحدد.
6. افتح ملف NIfTI المحول في عارض صور طبية وافحص بصريا المستويات المحورية والإكليلية والسهمية للتأكد من التوجيه المكاني الصحيح وسلامة الصورة.
7. تأكد من تباعد الأصوات وأبعاد الصورة لضمان الاتساق عبر جميع المواضيع قبل المعالجة المسبقة.
تحويل شدة الصورة إلى وحدات هونسفيلد (HU) باستخدام بيانات وصفية خاصة بالماسح الضوئي أو صيغ قياسية.
1. استخرج معلمات بيانات وصفية DICOM مثل Rescale Slope وRescale Intercept من رأس الصورة لكل مسح.
2. لكل قيمة شدة فوكسل (I_raw)، احسب وحدة هونسفيلد المقابلة (HU) باستخدام الصيغة التالية: HU = (I_raw × إعادة تدرج الانحدار) + Rescale Intercept.
3. طبق التحويل على حجم الصورة ثلاثية الأبعاد بالكامل باستخدام عمليات المصفوفة على مستوى العناصر داخل بيئة الحوسبة العلمية.
4. تأكيد التحويل الصحيح من خلال التحقق من أن مناطق الهواء تقارب −1000 وحدة هوائية وأن مناطق الأنسجة الرخوة تقع ضمن النطاقات الفسيولوجية المتوقعة.
5. احفظ المحجم المحولة كملف NIfTI جديد للحفاظ على البيانات الأصلية.
ضع نوافذ لتسليط الضوء على الرئة والأنسجة الرخوة. اضبط مستوى النافذة (WL) إلى -400 وحدة هوم وعرض النافذة (WW) إلى 1500 وحدة منزلية.
1. افتح ملف NIfTI المحول في برنامج عرض الصور.
2. انتقل إلى شاشة عرض الصورة أو لوحة إعدادات الشدة.
3. اختر خيار تعديل النافذة/المستوى .
4. قم بتعيين قيمة مستوى النافذة (WL) يدويا إلى -400 وحدة هاونسفيلد (HU).
5. اضبط قيمة عرض النافذة (WW) إلى 1500 وحدة وحدة.
6. أكد وطبق الإعدادات لتحديث تصور الصورة.
7. تحقق من أن نسيج الرئة والأوعية الرئوية يمكن تمييزهما بوضوح عن هياكل العظم والمنصف قبل المضي قدما في خطوات المعالجة المسبقة.
قم بإعادة أخذ عينات متساوية الخواص لضمان أن أبعاد الفوكسل متجانسة (مثل 1 مم × 1 مم × 1 مم) باستخدام الاستيفاء الثلاثي الخطي.
1. قم بتحميل صورة NIfTI في بيئة بايثون باستخدام مكتبة معالجة الصور الطبية.
2. استخرج تباعد الفوكسل الأصلي من بيانات رؤوس الصورة.
3. عرف التباعد المتساوي الخواص المستهدف بأنه (1.0، 1.0، 1.0) مم.
4. احسب أبعاد الصورة الجديدة باستخدام الصيغة: new_size = original_size × (original_spacing / target_spacing)
5. قم بتهيئة كائن لإعادة العينة.
6. اضبط طريقة الاستيفاء على الاستيفاء الثلاثي الخطي.
7. تعيين تباعد الأصوات المستهدف (1.0 مم × 1.0 مم × 1.0 مم).
8. اضبط حجم الصورة الجديد المحسوب.
9. حافظ على اتجاه الصورة الأصلي وبيانات الأصل.
10. نفذ عملية إعادة العينة.
11. احفظ الصورة المعاد عينة العينات بصيغة NIfTI لخطوات المعالجة المسبقة التالية.
12. تحقق من التباعد متساوي الخواص عن طريق التحقق من أبعاد الفوكسل المحدثة في رأس الصورة قبل المتابعة.
تطبيق معادلة المخطط التكيفي المحدودة بالتباين (CLAHE) لتعزيز التباين وتحسين وضوح البنى الوعائية.
1. استيراد مكتبة معالجة الصور المطلوبة إلى بيئة بايثون.
2. حول حجم CT ثلاثي الأبعاد المعاد عينه إلى صيغة رمادية 8-بت إذا لزم الأمر، باستخدام تطبيع شدة خطية لتعيين نطاق HU المختار إلى 0–255.
3. أعالج حجم التصوير المقطعي شريحة بشريحة في المستوى المحوري لتطبيق CLAHE ثنائي الأبعاد.
4. تهيئة كائن CLAHE باستخدام المعلمات التالية: clipLimit = 2.0، tileGridSize = (8، 8).
5. لكل شريحة محورية، قم بتطبيق دالة CLAHE لتعزيز التباين المحلي.
6. أعد بناء الشرائح المعالجة إلى حجم ثلاثي الأبعاد بعد تطبيق CLAHE.
7. احتفظ بحجم الصوت المعزز بالتباين بصيغة NIfTI للتقسيم لاحقا.
8. تحقق بصريا من أن الأوعية الرئوية أكثر تمييزا عن النسيج المحيطة دون تضخيم الضوضاء المفرط قبل المتابعة.
افحص بصريا مجموعة فرعية من الصور المعالجة مسبقا لضمان الجودة والاتساق عبر مجموعة البيانات.
1. اختر عشوائيا على الأقل 10٪ من إجمالي مجموعة البيانات لتقييم الجودة يدويا.
2. افتح كل حجم تم معالجته مسبقا في عارض الصور الطبية.
3. فحص المستويات المحورية والإكليلية والسهمية للتحقق من ما يلي: الاتجاه المكاني الصحيح؛ غياب تشوهات الاقتطاع؛ التطبيق الصحيح لمعايير النوافذ؛ إعادة العينات المتساوية الخواص الناجحة (تباعد فوكسل منتظم)؛ تعزيز التباين الكافي بعد CLAHE.
4. تأكد من أن الأوعية الرئوية يمكن تمييزها بوضوح عن البنى المجاورة للنسيج البارنشيمي دون تضخيم الضوضاء المفرط.
5. قارن الصور المعالجة مسبقا مع الأحجام المحولة الأصلية إلى HU للتأكد من أن خطوات المعالجة المسبقة لا تسبب تشوها أو تناقضات تشريحية.
6. وثق أي أخطاء في المعالجة المسبقة وكرر المعالجة المسبقة للحالات المتأثرة إذا لزم الأمر.

2. التعليق اليدوي

اختر مجموعة ممثلة من فحوصات الأشعة المقطعية من مرضى الضابط وCDH لاستخدامها في التعليق اليدوي. ضمان توزيع متوازن للتغيرات التشريحية.
1. حدد جميع الفحوصات المقطعية المسبقة المعالجة المؤهلة من مجموعات التحكم ومجموعات CDH.
2. استبعد الفحوصات التي تظهر فيها تشوهات حركية شديدة أو تغطية رئية غير مكتملة.
3. اختر عشوائيا عددا محددا مسبقا من الحالات من كل مجموعة لضمان تمثيل متوازن.
4. ضمان تضمين الحالات التي تظهر مجموعة من التغيرات التشريحية، بما في ذلك الفروقات في حجم الرئة، كثافة الأوعية الدموية، وشدة انزياح المعدل.
5. تأكد من أن حالات CDH المختارة تمثل درجات متفاوتة من نقص التنسج الرئوي، حيثما توفرت هذه الحالات.
6. وثق معرفات الحالة المختارة قبل المضي قدما في التعليق اليدوي.
قم بتحميل صور NIfTI المعالجة مسبقا في أداة توضيح الصور الطبية ثلاثية الأبعاد.
1. افتح برنامج التعليق الطبي ثلاثي الأبعاد.
2. أنشئ مشروعا جديدا أو جلسة تقسيم جديدة.
3. انقر على ملف > افتح الصورة (أو خيار استيراد ما يعادل).
4. انتقل إلى الدليل الذي يحتوي على ملف NIfTI المعالج مسبقا (.nii أو .nii.gz) واختر الصورة.
5. تأكيد التحميل الناجح من خلال التحقق من الاتجاه الصحيح للصورة في المنظور المحوري، والإكليل، والسهمية.
6. قم بتعديل إعدادات العرض إذا لزم الأمر لتحسين التصور.
7. أنشئ ملصق تقسيم جديد أو طبقة قناع لتخزين التعليقات الوعائية اليدوية.
8. احفظ ملف المشروع قبل بدء التعليق اليدوي.
باستخدام الرؤية المحورية والإكليلية والسهمية، قم بتقسيم الأوعية الدموية الرئوية يدويا عن طريق تحديد البنى الوعائية في كل شريحة ذات صلة.
1. فعل طبقة تسمية التقسيم التي تم إنشاؤها في الخطوة 2.2.
2. اختر أداة الرسم اليدوي أو أداة الفرشاة داخل برنامج التعليقات.
3. اضبط حجم الفرشاة ديناميكيا حسب قطر الوعاء لضمان تتبع الحدود بدقة.
4. باستخدام الشرائح المحاورية كمستوى مرجعي أساسي، يتم رسم البنى الوعائية الرئوية المرئية يدويا، بما في ذلك الفروع الشريانية والوريدية.
5. استبعد البنى غير الوعائية مثل القصبات الهوائية، جدران مجرى الهواء، والأنسجة المعدلة.
6. قم بتمرير شريحة بشريحة عبر كامل حجم الرئة لضمان استمرار التعليق على كل فرع وعائي.
7. التحقق من صحة كل منطقة مشروحة في الرؤى الإكليلية والسهمية لتأكيد الاتساق التشريحي وتجنب الانقطاعات.
8. أدرج الأوعية حتى أصغر الفروع المميزة بصريا مع تجنب التقسيم المفرط للقطع الصوتية.
9. عرض معاينة ثلاثية الأبعاد بشكل دوري للتقسيم للتحقق من استمرارية الشجرة الوعائية المكانية.
10. احفظ قناع التقسيم المكتمل بصيغة NIfTI قبل الانتقال إلى تدريب النماذج.
قم بملاحظة الأوعية الرئوية فقط، باستثناء القلب والشعب الهوائية والهياكل غير الرئوية الرئيسية.
1. تحديد الشرايين والأوردة الرئوية داخل نسيج الرئة باستخدام الشرائح المحاورية كمرجع أساسي.
2. تشمل فروعا وعائية داخل المجعدة تنشأ من الشرايين الرئوية الرئيسية وتمتد إلى الخلف داخل حقول الرئة.
3. استثنا حجرات القلب، الأذينيات، البطينات، والأوعية الدموية الكبيرة.
4. استبعد هياكل المجاري الهوائية، بما في ذلك القصبات الهوائية وجدران الشعب الهوائية، من خلال تمييزها عن الأوعية بناء على الشكل والخصائص الضوئية.
5. تجنب وضع علامات على الأنسجة الرخوة في الموسط، الغشاء، وهياكل جدران الصدر.
6. استخدم العروض متعددة المستويات (محورية، إكليلية، سهمية) للتأكد من أن الهياكل المشروحة تتبع أنماط التفرع الوعائية المتوقعة.
7. عندما يكون تمايز الأوعية الدموية والمجاري الهوائية غير مؤكد، تحقق من الاستمرارية عبر الشرائح المجاورة لتأكيد مسار الأوعية الدموية قبل وضع العلامات.
8. قم بإجراء عرض نهائي ثلاثي الأبعاد للحجم المقسم للتأكد من أن شجرة الأوعية الدموية الرئوية فقط قد تم تضمينها.
إذا كان ذلك متاحا، استشر خبراء التصوير السريري للتحقق من صحة المناطق الغامضة أثناء التعليق.
1. حدد المناطق التي تكون فيها حدود الأوعية غير مؤكدة بسبب التباين المنخفض، أو التشوه التشريحي، أو القرب من القصبات أو الهياكل المعدلية.
2. قم بتحديد هذه المناطق داخل برنامج التعليق باستخدام أداة تسمية مؤقتة أو تعليق.
3. قدم المناطق المميزة إلى خبير تصوير سريري.
4. راجع المشاهد المحورية والإكليلية والسهمية معا لتحديد ما إذا كانت البنية تمثل الأوعية الدموية الرئوية.
5. عدل قناع التقسيم بناء على إجماع الخبراء.
6. وثق أي مناطق مصححة قبل الانتهاء من قناع الحقيقة الأرضية.
قم بإجراء التحقق بين المقيمين من خلال قيام اثنين على الأقل من التعليقات المستقلين بمراجعة وتحسين كل تقسيم. في حالة الخلاف، التوصل إلى توافق من خلال النقاش أو التحكيم.
1. تعيين كل فحص مقطعي محدد لاثنين من المشرفين المستقلين ذوي الخبرة في تحليل التصوير الصدري.
2. تأكد من أن التعليقات تقوم بالتقسيم بشكل مستقل وأن تكون عمياء عن نتائج بعضهم البعض.
3. بعد الانتهاء من التعليقات المستقلة، قارن أقنعة التقسيم باستخدام مقياس تداخل كمي (مثل معامل تشابه Dice).
4. حدد مناطق الخلاف من خلال حساب الفروق على مستوى الفوكسل بين الأقنعة.
5. راجع المناطق المتباينة بشكل مشترك في المستويات المحورية والإكليلية والسهمية.
6. الوصول إلى توافق من خلال نقاش منظم.
7. إذا استمر الخلاف، استشر مراجعا ثالثا كبيرا للتحكيم في القرار النهائي.
8. احتفظ بقناع تقسيم الإجماع كعلامة الحقيقة الأرضية النهائية لتدريب النماذج.
احفظ أقنعة الأوعية المشروحة بنفس الدقة والمساحة الموجودة في صور CT الأصلية. قم بتخزينها بصيغة NIfTI باستخدام قواعد تسمية متسقة.
1. تأكد من أن قناع تقسيم الإجماع النهائي مخزن كخريطة تسمية ثنائية، حيث يتم تعيين قيمة 1 للفوكسلات الوعائية وقيمة 0 للفوكسلات الخلفية الوعائية.
2. تأكد من أن قناع التقسيم يحتفظ بنفس تباعد الأصوات، وأبعاد الصورة، والمنشأ، ومصفوفة الاتجاه كما في صورة CT المعالجة مسبقا المقابلة.
3. تصدير قناع التقسيم بصيغة NIfTI (.nii أو .nii.gz) باستخدام وظيفة التصدير في برنامج التعليق.
4. استخدم نظام تسمية متسق منظم كما يلي: SubjectID_Group_VesselMask.nii.gz؛ (على سبيل المثال، CDH_012_VesselMask.nii.gz).
5. تخزين الأقنعة في مجلد مخصص مواز لمجموعة بيانات الصورة للحفاظ على اتساق الاقتران.
6. قم بإجراء تحقق نهائي عن طريق إعادة تحميل كل من صورة CT وقناعها المقابل لتأكيد المحاذاة المكانية المثالية قبل تدريب النموذج.
استخدم هذه التقسيمات الموسومة يدويا كأساس حقيقي لتدريب وتقييم النماذج.

3. التدريب النموذجي والتحقق من صحتها

نظم مجموعة البيانات إلى ثلاث مجموعات فرعية: التدريب، التحقق، ومجموعات الاختبار. في هذه الدراسة، استخدم 35 حالة ضابطة و20 حالة CDH للتدريب، و5 حالات ضابطة و10 حالات CDH للتحقق، وترك الباقي للاختبار المستقل.
1. تجميع جميع صور الأشعة المقطعية المسبقة المعالجة وأقنعة الأوعية المتوافقة المقابلة في مجموعة بيانات واحدة.
2. قم بتقسيم مجموعات البيانات على مستوى المريض لمنع تسرب البيانات بين المجموعات الفرعية.
3. قم بتخصيص 35 حالة ضابطة و20 حالة CDH عشوائيا لمجموعة التدريب.
4. قم بتعيين 5 حالات ضابطة و10 حالات CDH عشوائيا لمجموعة التحقق.
5. تعيين جميع الحالات المتبقية لمجموعة اختبار مستقلة لا يتم الوصول إليها أثناء تدريب النموذج أو ضبط المعاملات الفائقة.
6. تأكد من أن كل صورة CT وقناع التقسيم المقابل لها تبقى مرتبطين طوال عملية التقسيم.
7. تحقق من توزيع الفئات في كل مجموعة فرعية للحفاظ على تمثيل كل من حالات التحكم وحالات CDH.
8. وثق التخصيص النهائي لمعرفات الموضوع لإعادة إنتاجها.
تطبيع قيم شدة جميع الصور بين 0 و1 لتحسين تقارب الشبكات العصبية أثناء التدريب.
1. لكل حجم CT، قم أولا بتقييد قيم الشدة إلى نطاق محدد مسبقا لوحدة هونسفيلد لإزالة القيم الشاذة القصوى.
2. تطبيق قص الشدة بحيث يتم تعيين القيم التي تقل عن −1000 HU إلى −1000 HU والقيم فوق 500 HU على 500 HU.
3. قم بإجراء تطبيع أدنى إلى أقصى بشكل مستقل لكل حجم باستخدام التحويل التالي: القيمة التطهيرية = (I − I_min) / (I_max − I_min)، حيث I_min و I_max تتوافق مع قيم الحد الأدنى والعظمى للشدة المقصوصة للحجم.
4. تطبيق التطبيع على الحجم ثلاثي الأبعاد الكامل باستخدام عمليات عنصرية داخل البيئة الحاسوبية.
5. تحقق من أن جميع شدات الفوكسل ضمن الفترة [0, 1] قبل إدخال البيانات في الشبكة العصبية.
6. تأكد من اشتقاق معلمات التطبيع بشكل مستقل لكل صورة لمنع تسرب المعلومات بين مجموعات التدريب والتحقق والاختبار.
تنفيذ بنية شبكة عصبية الالتفافية على شبكة U-Net باستخدام إطار عمل للتعلم العميق مثل PyTorch أو TensorFlow.
1. أنشئ مشروعا جديدا في بيئة تطوير التعلم العميق وحدد بذرة عشوائية ثابتة لإمكانية التكرار.
2. حدد بنية U-Net ثنائية الأبعاد (الشكل 2) للتقسيم الثنائي مع هيكل مشفر-فك تشفير وتخطي الاتصالات.
3. اضبط إدخال النموذج كشرائح CT أحادية القناة (بالتدرج الرمادي) وحدد مخرج النموذج كخريطة احتمالية أحادية القناة تمثل احتمالية السفينة.
4. قم بتكوين الطبقة النهائية لاستخدام دالة تفعيل السيجمويد لإنتاج قيم في النطاق [0, 1].
5. حدد دالة الخسارة للتقسيم الثنائي (مثل الإنتروبيا المتقاطعة الثنائية) وتهيئة المحسن.
6. حدد معلمات التدريب الفائقة، بما في ذلك حجم الدفعة، وعدد العصور، ومعدل التعلم، وتسجيل هذه القيم للإبلاغ عنها.
7. جهز محملة البيانات لتغذية مجموعات بيانات التدريب والتحقق في النموذج مع خلط وتجميع متسق.
8. احتفظ بالتعريف الكامل للنموذج وتكوين المعاملات الفائقة لإمكانية إعادة الإنتاج.
قم بتكوين النموذج بهيكل مشفر-مفكك، مع دمج اتصالات التخطي وطبقات تطبيع الدفعات لتحسين دقة التقسيم.
1. تعريف مشفر يتكون من كتل التفافية متكررة. تأكد من أن كل كتلة تشمل:
  طبقتان متتاليتان من الالتفاف ثنائي الأبعاد (حجم النواة 3 × 3، الحشو = 1)
  يتم تطبيق تطبيع الدفعات بعد كل التفاف
  تنشيط الوحدة الخطية المصححة (ReLU)
2. طبق تجميع 2 × 2 بحد أقصى مع خطوة 2 بعد كل كتلة مشفر لتقليل الدقة المكانية تدريجيا.
3. ضاعف عدد قنوات الميزات بعد كل خطوة تقليل العينة.
4. حدد جهاز فك التشفير باستخدام الالتفاف المنقول (2 × 2 نواة، خطوة 2) لرفع العينات.
5. ربط الميزات من طبقة المشفر المقابلة إلى طبقة فك التشفير عبر اتصالات تخطي للحفاظ على المعلومات المكانية.
6. تطبيق طبقتين التفافيتين مع تطبيع دفعي وتفعيل ReLU بعد كل خطوة تسلسل.
7. استخدم طبقة الالتفاف النهائية 1 × 1 لتعيين الميزات إلى مخرج قناة واحدة.
8. تطبيق دالة تنشيط السينومويد لإنتاج خريطة احتمالية بمستوى فوكسل لتقسيم الأوعية.
ادرب ثلاث تكوينات للنموذج:
1. نموذج أساسي (تدريب من الصفر)
  1. تهيئة أوزان U-Net عشوائيا (مثل تهيئة هيل).
  2. استخدم فقط مجموعة بيانات الشريان الوريدية المشروحة يدويا كمدخل.
  3. قم بتغيير حجم الصور المدخلة إلى 512 × 512 بكسل.
  4. تطبيع قيم الشدة إلى النطاق [0,1].
  5. اضبط حجم الدفعة إلى 8 (أو الحد الأقصى المسموح به من قبل ذاكرة GPU).
  6. استخدم محسن آدم مع معدل التعلم = 1 × 10⁻⁴.
  7. استخدم الإنتروبيا المتقاطع الثنائي (للتقسيم الثنائي) أو فقدان الإنتروبيا المتقاطع (لتصنيف الشرايين-الأوردة).
  8. تدرب لمدة 30 عصرا.
  9. راقب فقدان التحقق بعد كل فترة زمنية (epoch).
  10. احفظ أوزان النموذج التي تمثل أقل خسارة تحقق من القانون.
  11. في PyTorch، اتبع الخطوات 3.5.1.13–3.5.1.14.
  12. تعريف المحسن: torch.optim.Adam(model.parameters(), lr=1e-4)
  13. عرف الخسارة: torch.nn.BCEWithLogitsLoss() أو torch.nn.CrossEntropyLoss()
  14. استخدم model.train() أثناء التدريب و model.eval() أثناء التحقق.
2. نموذج التقسيم-الإدخال (مدخل قناع الوعاء المساعد)
  1. تعديل طبقة الإدخال لقبول قناتين:
    القناة 1: صورة CT
    القناة 2: قناع تقسيم الأوعية الثنائية
  2. قم بربط صورة الأشعة المقطعية وقناع الوعاء على طول بعد القناة قبل إدخالهما في الشبكة.
  3. حافظ على البنية التحتية مطابقة للنموذج الأساسي.
  4. استخدم نفس المحسن، ومعدل التعلم، وحجم الدفعة، ورقم العصر كما في الخطوة 3.5.1.
  5. احفظ الأوزان الأفضل أداء بناء على تقييم F1 للتحقق من التقييم.
3. نموذج التعلم التحويلي (التهيئة المدربة مسبقا)
  1. تحميل أوزان U-Net المدربة مسبقا الموجهة على مجموعة بيانات تقسيم السفن العامة (كما هو موضح في تقرير التقدم).
  2. تجميد طبقات الترميز لأول 5 فترات (خطوة تثبيت اختيارية).
  3. قم بفك تجميد جميع الطبقات واستمر في الضبط الدقيق للفترات المتبقية.
  4. استخدم معدل التعلم المخفضة = 5 × 10⁻⁵ أثناء الضبط الدقيق.
  5. تدرب لمدة 30 عصرا إجمالا.
  6. طبق التقليب الأفقي كتعزيز بيانات أثناء التدريب.
  7. احفظ النموذج الذي حصل على أعلى درجة تحقق في F1.
استخدم فقدان الإنتروبيا المتقاطع الثنائي ومحسن آدم بمعدل تعلم ابتدائي 0.001. قلل معدل التعلم بشكل تكيفي إذا وصل فقدان التحقق إلى هبوط.
1. تعريف دالة الخسارة
  1. لتقسيم الأوعية الثنائية، استخدم فقدان الإنتروبيا المتقاطع الثنائي مع اللوجيت.
  2. في PyTorch، عرف: criterion = torch.nn.BCEWithLogitsLoss()
  3. عند إجراء تصنيف متعدد الفئات للشرايين-الأوردة، استخدم: criterion = torch.nn.CrossEntropyLoss()
2. تعريف المحسن
  1. استخدم محسن آدم بمعدل تعلم ابتدائي 0.001.
  2. في PyTorch: المحسن = torch.optim.Adam(model.parameters(), lr=0.001)
3. تمكين تقليل معدل التعلم التكيفي
  1. قم بتنفيذ جدولة معدلات التعلم لتقليل معدل التعلم عندما يتوقف فقدان التحقق عن التحسن.
  2. استخدم جدولة ReduceLROnPlateau.
  3. في PyTorch: المجدول = torch.optim.lr_scheduler. ReduceLROnPlateau(
    المحسن،
    mode='min',
    العامل = 0.5,
    الصبر=5،
    مطول = صحيح
    )
  4. بعد كل مرحلة تحقق، قم بالاتصال ب: scheduler.step(validation_loss)
4. تكوين حلقة التدريب.
  1. لكل حقبة، اتبع الخطوات 3.6.4.2–3.6.4.7:
  2. تعيين النموذج لوضع التدريب: model.train()
  3. نفذ تمريرة أمامية.
  4. حساب الخسارة.
  5. الانتشار العكسي: loss.backward()
  6. تحديث الأوزان: optimizer.step()
  7. صفر تدرجات قبل التكرار التالي: optimizer.zero_grad()
  8. بعد مرحلة التدريب، انتقل إلى وضع التقييم باستخدام model.eval() واحسب فقدان التحقق.
5. التوقف المبكر (اختياري لكنه موصى به)
  1. إذا لم يتحسن فقدان التحقق لمدة 10 فترات متتالية، توقف عن التدريب لمنع الإفراط في التوافق.
تطبيق تقنيات تعزيز البيانات مثل الدورانات العشوائية، والانقلبات، والتشوهات المرنة لزيادة المتانة وتقليل الإفراط في التركيب.
1. تعريف خط أنابيب التعزيز
  1. طبق التعزيزات فقط على مجموعة بيانات التدريب.
  2. تطبيق تحويلات مكانية متطابقة على كل من صورة CT وقناع التقسيم المقابل لها.
2. تدويرات عشوائية.
  1. تطبيق دورانات عشوائية داخل المستوى بين -15° و+15°.
  2. في PyTorch (باستخدام torchvision أو Albumentations): RandomRotation(درجات=15)
3. القفزات الأفقية والعمودية.
  1. طبق انقلبة أفقية باحتمال p = 0.5.
  2. طبق الانقلاب الرأسي باحتمال p = 0.5 (إذا كان مقبولا تشريحيا).
4. تشوه مرن.
  1. تطبيق تحويل مرن لمحاكاة التغير التشريحي.
  2. استخدم معلمات تشوه صغيرة لتجنب التشوه غير الواقعي.
5. مثال على التنفيذ (PyTorch + Albumentations)
  1. حدد خط أنابيب التحول قبل التدريب:
    transform = A.Compose([
    أ. تدوير (حد=15، p=0.5)،
    A.HorizontalFlip(p=0.5)،
    A.ElasticTransform(alpha=1, sigma=50, alpha_affine=10, p=0.3)
    ])
  2. تطبيق التحويل داخل طريقة مجموعة البيانات __getitem__() لضمان التحويل المتزامن للصورة والقناع.
6. مجموعات التحقق والاختبار
  1. لا تطبق التعزيز على مجموعات بيانات التحقق أو الاختبار.
  2. استخدم فقط التطبيع وتغيير الحجم لهذه المجموعات.
7. مراقبة الجودة.
  1. افحص العينات المعززة بصريا قبل التدريب لضمان المعقولية التشريحية.
  2. تحقق من أن الأقنعة تبقى محاذية مع الصور المحولة.
درب النموذج لعدد محدد من الفترات أو حتى التقارب، مع مراقبة أداء مجموعة التحقق بعد كل حقبة.
1. تعريف مدة التدريب
  1. اضبط الحد الأقصى لعدد فترات التدريب إلى 30.
  2. بدلا من ذلك، استمر في التدريب حتى يتم استيفاء معايير التقارب (انظر التوقف المبكر أدناه).
2. دورة التدريب
  1. لكل عصر، اتبع الخطوات 3.8.2.2–3.8.2.10:
  2. قم بتعيين النموذج على وضع التدريب: model.train()
  3. قم بتكرار جميع الدفعات الصغيرة في مجموعة التدريب.
  4. تحميل دفعة من صور CT والأقنعة المقابلة.
  5. نفذ تمريرة أمامية.
  6. حساب الخسارة باستخدام دالة الخسارة المعرفة.
  7. تدرجات الانتشار العكسي: loss.backward()
  8. تحديث أوزان النماذج: optimizer.step()
  9. إعادة تعيين التدرجات قبل الدفعة التالية: optimizer.zero_grad()
  10. احسب متوسط فقدان التدريب للعصر.
3. خطوة التحقق (بعد كل عصر)
  1. تحويل النموذج إلى وضع التقييم: model.eval()
  2. تعطيل حساب التدرج: باستخدام torch.no_grad():
  3. كرر على مجموعة بيانات التحقق.
  4. نفذ تمريرة أمامية.
  5. حساب خسارة التحقق.
  6. حساب مقاييس الأداء (درجة F1، الدقة، الحساسية، درجة DICE).
  7. سجل فقدان التحقق والمقاييس.
4. تعديل معدل التعلم
  1. تحديث المجدول بعد خطوة التحقق: scheduler.step(validation_loss)
5. معايير التقارب
  1. توقف عن التدريب إذا لم يتحسن فقدان التحقق لمدة 10 فترات متتالية (التوقف المبكر)، أو إذا استقر مقاييس الأداء.
6. نقاط التحقق النموذجية
  1. حفظ أوزان النموذج كلما تحسنت درجة التحقق في F1.
  2. احتفظ بالنموذج الأفضل أداء للتقييم النهائي على مجموعة الاختبار.
7. قطع الأشجار
  1. تخزين قيم فقدان التدريب والتحقق لكل عصر.
  2. رسم منحنيات التعلم (الخسارة مقابل الحقبة) للتحقق من سلوك التقارب.
اختر النموذج الأفضل أداء بناء على أعلى درجة F1 في مجموعة بيانات التحقق.
1. تتبع مقياس التحقق
  1. بعد كل حقبة، احسب درجة F1 على مجموعة بيانات التحقق.
  2. حفظ درجة F1 مع رقم الحقبة المقابل.
2. مقارنة النماذج
  1. قارن درجات التحقق من F1 عبر جميع العصور.
  2. حدد الحقبة التي حققت أعلى درجة تحقق في F1.
3. نقاط التحقق النموذجية
  1. أثناء التدريب، حفظ أوزان النماذج كلما تحسنت درجة التحقق من F1.
4. اختيار النموذج النهائي
  1. بعد الانتهاء من التدريب، قم بتحميل الأوزان التي تتوافق مع أعلى درجة تحقق في الفورمولا 1:
    model.load_state_dict(torch.load("best_model.pth"))
5. الاختبار المستقل
  1. قيم النموذج المختار مرة واحدة فقط في مجموعة بيانات الاختبار المستقلة.
  2. لا تستخدم أداء مجموعة الاختبار لاختيار النماذج.
6. قابلية التكرار
  1. سجل رقم العصر المحدد ومقاييس التحقق المقابلة لها.
  2. قم بتثبيت البذرة العشوائية لضمان قابلية التكرار.
احفظ أوزان وتكوينات النموذج المدربة لمهام التقسيم اللاحق.

4. التقسيم والهيكل العظمي

قم بتحميل نموذج U-Net المدرب وطبقه على فحوصات CT المعالجة مسبقا في مجموعة الاختبار المستقلة.
لكل فحص، قم بإنشاء قناع تقسيم ثنائي للأوعية الدموية الرئوية عن طريق تطبيق عتبة على الناتج الاحتمالي للنموذج.
افحص نتائج التقسيم بصريا لتأكيد المعقولية التشريحية، خاصة في المناطق المتأثرة بتشويه CDH.
تحويل الأقنعة الثنائية ثلاثية الأبعاد المقسمة إلى تمثيلات هيكلية باستخدام خوارزمية تخفيف ثلاثية الأبعاد منفذة في البرمجيات.
وضع علامة على الهيكل الوعائي باستخدام خوارزمية بحث عريضة أولا، مع تعيين الجذع الرئوي كعقدة جذرية وتعيين مستويات توليد لكل فرع بناء على الاتصال.
قم بإزالة المكونات الصغيرة والمنفصلة أو الفروع الزائفة التي من المحتمل أن تكون بسبب الضوضاء أو أخطاء التقسيم، باستخدام حد أدنى لحجم الفوكسل أو عتبة طول الفرع.
احفظ البنى الهيكلية في صيغ متوافقة مع الشبكات ثلاثية الأبعاد أو الرسوم البيانية (مثل VTK أو SWC) لمزيد من التحليل المورفومتري.

5. استخراج السمات المورفومترية

قم بتحميل الرسوم البيانية الوعائية الهيكلية المولدة من صور التصوير المقطعي المقطعي المقطعة.
حدد جميع الفروع الفردية من خلال عبور بنية الرسم البياني بين نقاط التفرع والعقد النهائية.
احسب العدد الكلي للفروع بجمع جميع الأجزاء المحددة داخل الرسم البياني الوعائي.
احسب طول كل فرع بجمع المسافات الإقليدية بين الفوكسل المتصلة على طول الهيكل العظمي.
تحديد متوسط طول الفروع عن طريق حساب متوسط أطوال جميع الفروع في هيكل كل فرد عظمي.
تعيين مستويات توليد لكل فرع بدءا من الشريان الرئوي الرئيسي كجيل 0 وتزايد بمقدار واحد عند كل انقسام باستخدام العبور من الزاوية الأولى.
احسب الحد الأقصى لعدد الجيدات البعيدة عن طريق تحديد أطول مسار من العقدة الجذرية إلى أي فرع نهائي.
احسب الحد الأقصى لعدد الجيدات القريبة عن طريق تحديد أطول مسار من أي فرع طرفي إلى الجذر.
تخزين جميع الميزات المورفومترية في جدول بيانات منظم أو صيغة قاعدة بيانات (مثل CSV أو SQL) مع معرفات الموضوع، ومجموعة التشخيص، والمقاييس المستخرجة.
فحص بصري مجموعة فرعية من الرسوم البيانية الهيكلية والميزات المورفومترية المقابلة لتأكيد الدقة والمعقولية البيولوجية.

6. تحليل التصنيف

استيراد مجموعة البيانات المنظمة التي تحتوي على ميزات مورفومترية (مثل إجمالي عدد الفروع، متوسط طول الفرع، عمق التوليد البعيد والقريب) والتسميات التشخيصية المقابلة (CDH أو التحكم).
قسم مجموعة البيانات إلى مجموعات تدريب واختبار باستخدام أخذ عينات طبقية للحفاظ على توزيع الفئات.
تنفيذ مصنفات الغابات العشوائية وشجرة القرار باستخدام مكتبة تعلم آلي قياسية.
قم بتكوين معلمات النموذج مثل عدد المقدرات (مثل 100 شجرة للغابة العشوائية) والعمق الأقصى بناء على أداء التحقق المتبادل.
درب كل مصنف باستخدام مجموعة التدريب الفرعية من البيانات.
تقييم أداء التصنيف على مجموعة اختبارات الاحتفاظ باستخدام الدقة كمقياس أساسي.
توليد مصفوفات ارتباك لتقييم معدلات الإيجابية الحقيقية، السلبية الحقيقية، الإيجابية الكاذبة، والسلبية الكاذبة لاكتشاف CDH.
قارن أداء مصنفات الغابات العشوائية وشجرة القرار، واختر النموذج ذو أعلى دقة في الإبلاغ عن النتائج الممثلة.
اعرض نتائج التصنيف باستخدام الرسوم البيانية الشريطية، منحنيات ROC، أو أشجار القرار إذا كان ذلك مناسبا، وحفظ المخرجات لتضمينها في الصور.
وثق جميع معلمات النموذج، ومقاييس الأداء، وأي معالجة مسبقة مطبقة على البيانات لضمان قابلية التكرار.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

حقق نموذج التعلم العميق المدرب على التعلم التحويلي أعلى أداء تقسيم بين جميع التكوينات، بدقة 0.714، وحساسية 0.706، ودرجة F1 0.672 على مجموعة الاختبار المستقلة. أظهر النموذج الأساسي المدرب من الصفر أداء أقل (الدقة: 0.703، الحساسية: 0.589، درجة F1: 0.551)، بينما أدى نموذج التقسيم-إدخال أداء متوسطا (درجة F1: 0.630).

بعد التقسيم، كشف التحليل المورفومتري عن انخفاض كبير في تعقيد الأوعية الدموية لدى مرضى CDH مقارنة بالمجموعة الضابطة (الجدول 1). تحديدا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

تعد عدة خطوات في هذا البروتوكول ضرورية لتحقيق نتائج دقيقة وقابلة للتكرار. يجب تنفيذ مرحلة معالجة الصور المسبقة بعناية، خاصة عند التحويل إلى وحدات هونسفيلد وتطبيق النوافذ (WL = -400 HU، WW = 1500 HU)، حيث تحدد هذه المعايير رؤية البنى الوعائية¹⁴^، ¹⁵^، ¹⁶^، ¹⁷. يتطلب الهيكل العظمي أيضا ضبطا دقيقا للمعلمات لتجنب الفروع الزائفة أو المكونات المنفصلة التي قد تشوه القياس...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

المؤلفون ليس لديهم إفصاحات مالية ليعلنوا عنها.

شكر وتقدير

حظي إمراح أيدين بدعم من برنامج زمالة البحث الدولي لما بعد الدكتوراه للمواطنين الأتراك (1059B1919501313) من مجلس البحوث العلمية والتكنولوجية في تركيا (TÜBİTAK) لعام 2219. تلقى أصليغول أكسان ومصطفى إكريم إركان الدعم من مجلس البحوث العلمية والتكنولوجية في تركيا (TÜBİTAK) 2209-A - برنامج دعم مشاريع البحث لطلاب المرحلة الجامعية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسم	الشركة	رقم فهرسي	التعليقات
تحليل 12.0	أناليزيدايركت	https://analyzedirect.com/	يستخدم لمراجعة صور التصوير المقطعي المحوسب وتحريره وقياساته
بيانات الأشعة المقطعية (فحوصات الصدر بعد الولادة)	الأرشيف المؤسسي	لا يوجد	مجموعة بيانات استرجاعية لمواليد CDH والأطفال المسؤولين
DCM2Niix	المصدر المفتوح (GitHub)	https://github.com/rordenlab/dcm2niix	تحويل تنسيق DICOM إلى صيغة NIfTI
ITK-SNAP	المصدر المفتوح (http://www.itksnap.org)	http://www.itksnap.org	أداة توضيح الصور الطبية ثلاثية الأبعاد
NetworkX	مفتوح المصدر	https://networkx.org	يستخدم لتحليل شجرة الأوعية الوعائية المعتمد على الرسوم البيانية
OpenCV (دالة CLAHE)	مفتوح المصدر	https://opencv.org	يستخدم لتعزيز تباين الصورة
باندا، نومبي	مفتوح المصدر	https://pandas.pydata.org، https://numpy.org	إدارة البيانات والعمليات الرقمية
بايثون 3.8+	مؤسسة بايثون للبرمجيات	https://www.python.org	لغة برمجة للتحليل وتطوير النماذج
PyTorch 1.13+	الذكاء الاصطناعي الضخم	https://pytorch.org	إطار عمل التعلم العميق لتنفيذ U-Net
صورة سكيت	مفتوح المصدر	https://scikit-image.org	مكتبة معالجة الصور المستخدمة في الهيكل العظمي
سكيت-لرن	مفتوح المصدر	https://scikit-learn.org	مكتبة التعلم الآلي للتصنيف
أوبونتو 20.04 LTS	القانوني	https://ubuntu.com	نظام التشغيل المستخدم في جميع عمليات المعالجة
محطة العمل مع بطاقة رسومات NVIDIA RTX 3090	NVIDIA	https://www.nvidia.com	مطلوب لتدريب نماذج التعلم العميق

المراجع

Keijzer, R., et al. Dual-hit hypothesis explains pulmonary hypoplasia in the nitrofen model of congenital diaphragmatic hernia. Am J Pathol. 156 (4), 1299-1306 (2000).
Aydin, E., et al. The survivorship bias in congenital diaphragmatic hernia. Children. 9 (2), 218(2022).
Harting, M. T. Congenital diaphragmatic hernia-associated pulmonary hypertension. Semin Pediatr Surg. 26 (3), 147-153 (2017).
Kool, H., et al. Pulmonary vascular development goes awry in congenital lung abnormalities. Birth Defects Res C Embryo Today. 102 (4), 343-358 (2014).
Leeuwen, L., Fitzgerald, D. A. Congenital diaphragmatic hernia. J Paediatr Child Health. 50 (9), 667-673 (2014).
Aydin, E., et al. Optimization of pulmonary vasculature tridimensional phenotyping in the rat fetus. Sci Rep. 9 (1), 1244(2019).
Aydin, E., et al. Pulmonary vasculature development in congenital diaphragmatic hernia: a novel automated quantitative imaging analysis. Pediatr Surg Int. 40 (1), 1244(2024).
Memon, N. A., Mirza, A. M., Gilani, S. A. M. Segmentation of lungs from CT scan images for early diagnosis of lung cancer. World Acad Sci Eng Technol. 20, 1050-1055 (2008).
Fetita, C., Brillet, P. Y., Preteux, F. J. Morpho-geometrical approach for 3D segmentation of pulmonary vascular tree in multi-slice CT. Proceedings of SPIE - The International Society for Optical Engineering. , (2009).
Orkisz, M., et al. Segmentation of the pulmonary vascular trees in 3D CT images using variational region-growing. IRBM. 35 (1), 11-19 (2014).
Fabijanska, A. Segmentation of pulmonary vascular tree from 3D CT thorax scans. Biocybern Biomed Eng. 35 (2), 106-119 (2015).
Zhai, Z., Staring, M., Stoel, B. C. Lung vessel segmentation in CT images using graph-cuts. , SPIE Medical Imaging. San Diego, California, United States. (2016).
Khanna, A., Londhe, N. D., Gupta, S. Detection of pulmonary vessels in 3D lung CT using improved graph cut. 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN), Noida, India, , (1109).
DenOtter, T. D., Schubert, J. Hounsfield Unit. , StatPearls Publishing. Treasure Island, FL. (2023).
Detection and classification of brain hemorrhage based on Hounsfield values and convolution neural network technique. Phan, A. C., Nguyen, T. M. N., Phan, T. C. 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), Danang, Vietnam, , (2019).
Xue, Z., et al. Window classification of brain CT images in biomedical articles. AMIA Annu Symp Proc. 2012, 1023-1029 (2012).
Contrast-limited adaptive histogram equalization: speed and effectiveness. Pizer, S. M., et al. Proceedings of the First Conference on Visualization in Biomedical Computing, Atlanta, GA, USA, , (1990).
Moccia, S., De Momi, E., El Hadji, S., Mattos, L. S. Blood vessel segmentation algorithms – Review of methods, datasets and evaluation metrics. Comput Methods Programs Biomed. 158, 71-91 (2018).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

U Net