تطبيق تجزئة الصور الطبية القائمة على التعلم العميق عبر التصوير المقطعي المحوسب المداري
نوفمبر 30, 2022
تم إدخال بروتوكول تجزئة الجسم لصور التصوير المقطعي المحوسب المداري (CT). يتم شرح طرق تسمية الحقيقة الأرضية للهياكل المدارية باستخدام الدقة الفائقة ، واستخراج حجم الاهتمام من صور التصوير المقطعي المحوسب ، ونمذجة التجزئة متعددة الملصقات باستخدام 2D المتسلسلة U-Net لصور التصوير المقطعي المحوسب المداري للتعلم الخاضع للإشراف.
قدمنا بروتوكول تجزئة الأجسام لصور التصوير المقطعي المحوسب المداري في هذه الدراسة. إنها أول تجربة في العالم. باستخدام هذا البرنامج ، يمكنك القيام بإخفاء أي جزء من التشريح بسهولة حيث تريد.
إنه يتصور ويوفر وقتك وجهدك. نأمل أن تكون هذه الدراسة حجر الزاوية لتشخيص أمراض الحجاج ، والتي يصعب أخذ خزعة منها. ابدأ بتشغيل برنامج التقنيع.
لتحميل CT المداري ، انقر فوق رمز الملف المفتوح وحدد ملف CT الهدف. لإخفاء مقلة العين والعصب البصري وعضلات العين باستخدام وحدات البكسل الفائقة ، قم بتشغيل SmartPencil بالنقر فوق معالج SmartPencil في MediLabel. بعد ذلك ، تحكم في دقة خريطة البكسل الفائق ، إذا لزم الأمر ، وانقر فوق مجموعة وحدات البكسل الفائقة لمقلة العين وعضلات العين والعصب البصري على خريطة البكسل الفائق ، حيث يتم تجميع وحدات البكسل ذات قيم كثافة الصورة المماثلة.
لتحسين الأقنعة، انقر فوق معالج SmartFill بعد إخفاء بعض وحدات البكسل الفائقة على الشرائح، ثم انقر على أيقونة التصحيح التلقائي، وتأكد من حساب تسميات القناع المصححة. بمجرد اكتمال تحسين التقنيع ، احفظ الصور المقنعة. قم بتشغيل برنامج Python النصي للمعالجة المسبقة ، وتحقق من عمليات الفحص والأقنعة التي تم اقتصاصها وحفظها في مجلد VOIs.
قم بتشغيل البرنامج النصي Python لمنشئ التسلسل لتحويل VOIs إلى مجموعة من ثلاث شرائح CT متسلسلة لاستخدامها كمدخل لتسلسل U-Net. تحقق من فحوصات التصوير المقطعي المحوسب والأقنعة المحفوظة والمحولة في مجلد الفحص ومجلد القناع والمجلدات المعالجة مسبقا على التوالي. لإنشاء نموذج التجزئة المدارية ، قم بتشغيل البرنامج النصي Python الرئيسي.
py وإعطاء أرقام أضعاف. قم بتعيين الحقبة ، وهي عدد تكرارات التدريب ، وقم بتعيين حجم الدفعة ، وهو عدد عينات التدريب في جلسة تدريب واحدة. البرنامج النصي الرئيسي.
يمكن تشغيل py بدون المحللين ، وفي هذه الحالة ، يتم تشغيله بقيم افتراضية. قم بإجراء اختبار النموذج بعد التدريب ، واحسب مقاييس التقييم مثل درجة النرد وتشابه الحجم. أخيرا ، تحقق من النتائج المحفوظة كملفات صور.
حقق تجزئة مقلة العين باستخدام تسلسل U-Net لتجزئة البنية المدارية تشابها بصريا أو درجة VS تبلغ 0.83 ودرجة نرد عالية تبلغ 0.86 لأنها تحتوي على جزء كبير من VOIs وعدم تجانس قليل بين الأشعة المقطعية. تم تحقيق درجة نرد منخفضة تبلغ 0.54 لتجزئة عضلات العين ، و 0.34 للعصب البصري ، لأنها نادرا ما تظهر في حجم التصوير المقطعي المحوسب وتوجد في عدد صغير نسبيا من شرائح التصوير المقطعي. ومع ذلك ، كانت درجات التشابه البصري لعضلات العين والعصب البصري أعلى من درجات النرد ، مما يشير إلى أن خصوصية التجزئة كانت منخفضة.
بشكل عام ، حقق تجزئة جميع الهياكل التحتية المدارية درجة نرد 0.79 ودرجة تشابه بصري 0.82. اعتمادا على التطبيق ، يمكن أن يختلف حجم VOI ومستوى قص النافذة. يمكنك تعديل التعليمات البرمجية لمنشئ التسلسل لأغراض رائعة أخرى.
أيضا ، يمكن تعديل المعلمات الفائقة للتدريب النموذجي. تم تدريب النموذج مع 46 VOIs ، وهو ليس عددا كبيرا للتدريب على النموذج. للتغلب على الأداء المنخفض بسبب قلة عدد مجموعات بيانات التدريب ، يمكن تطبيق نقل التعلم وتدوين المجال.
نظرة عامة
تقدم هذه الدراسة بروتوكولاً لتجزئة الأجسام في صور الأشعة المقطعية (CT) للمحجر، مما يسهل عملية وضع أقنعة على التراكيب التشريحية. يهدف هذا البروتوكول إلى تحسين تشخيص أمراض المحجر، والتي يصعب أخذ خزعات منها.
مكونات الدراسة الرئيسية
مجال العلم
- علم الأعصاب
- التصوير الطبي
- الرؤية الحاسوبية
خلفية علمية
- غالبًا ما تتطلب أمراض المدار طرق تشخيص غير جراحية.
- تعد التصوير المقطعي المحوسب (CT imaging) أداة قيمة لتصوير هياكل المدار.
- تتميز طرق التقسيم الحالية بمحدودية الدقة والكفاءة.
- يمكن لتقنيات الدقة الفائقة (Super-resolution) تحسين جودة الصور من أجل تقسيم أفضل.
الغرض من الدراسة
- تطوير بروتوكول لتقسيم دقيق للهياكل الحجاجية في صور الأشعة المقطعية (CT).
- تبسيط عملية تحديد الأجزاء التشريحية (masking) لغرض التحليل.
- توفير أساس للأبحاث المستقبلية في تشخيص أمراض الحجاج.
الطرق المستخدمة
- استخدام الدقة الفائقة لتحديد الحقيقة الأرضية (ground truth) للبنى الحجاجية.
- استخراج حجم الاهتمام (VOI) من صور التصوير المقطعي المحوسب (CT).
- تنفيذ نموذج U-Net تسلسلي ثنائي الأبعاد للتجزئة متعددة العلامات.
- تقييم أداء التجزئة باستخدام مقاييس مثل درجة Dice والتشابه البصري.
النتائج الرئيسية
- تحقيق درجة تشابه بصري بلغت 0.83 ودرجة "dice" بلغت 0.86 لتجزئة مقلة العين.
- درجات "dice" أقل بلغت 0.54 للعضلات خارج العين و0.34 للعصب البصري بسبب محدودية ظهورها في صور الأشعة المقطعية (CT scans).
- أسفرت التجزئة العامة للبنى التحتية للحجاج عن درجة "dice" بلغت 0.79.
- تشير النتائج إلى إمكانية تحسين دقة التشخيص في أمراض الحجاج.
الاستنتاجات
- يعزز البروتوكول المطور من كفاءة تقسيم البنية الحجاجية.
- قد يكون التعلم الانتقالي ضرورياً لتحسين أداء النموذج في ظل وجود بيانات تدريب محدودة.
- تضع هذه الدراسة الأساس للتطورات المستقبلية في التشخيصات الحجاجية غير الجراحية.
الأسئلة الشائعة
الأهمية التنفيذية في القطاع الصناعي
يتيح تقسيم صور الأشعة المقطعية للحجاج المعتمد على التعلم العميق تحديداً دقيقاً وقابلاً للتكرار للهياكل التشريحية الحرجة، مما يدعم الاكتشاف المبكر والأبحاث الانتقالية في الاضطرابات الرمدية واضطرابات الأعصاب البصرية. كما يسرع التقسيم الآلي عالي الدقة من تطوير النماذج ذات الصلة بالأمراض والمؤشرات الحيوية التصويرية الكمية، مما يقلل من عبء التوصيف اليدوي ويعزز الثقة التنبؤية في سير عمل التصوير قبل السريري. وتعزز هذه القدرة من اتخاذ القرارات المتعلقة بمحفظة المشاريع من خلال توفير نقاط نهاية تصويرية قياسية وقابلة للتوسع للتحقق من الأهداف والحد من المخاطر الميكانيكية.
التطبيقات الاستراتيجية في البحث والتطوير للصناعات الدوائية الحيوية
الاكتشاف المبكر والتحقق من الهدف
- يتيح التجزئة الآلية التحديد الكمي الموضوعي للبنى الحجاجية لاختبار الفرضيات.
- يدعم التحقق من الأهداف الوظيفية من خلال توفير قراءات تصوير قابلة للتكرار.
- يسهل تقليل المخاطر الآلية من خلال التحديد التشريحي الدقيق.
- يعزز الثقة التنبؤية في أبحاث العيون في مراحلها المبكرة.
الفحص وتطوير المقايسة
- يوفر أقنعة عالية الدقة وموثقة لسير عمل تحليل الصور اللاحق.
- يوحد مخرجات التجزئة، مما يدعم إمكانية تكرار النتائج وقابلية توسيع المقايسة.
- يتيح التقييم الكمي لتأثيرات المركبات على التشريح الحجاجي.
- يجهز مجموعات البيانات لعمليات الفرز القوية وإعادة استخدام المنصة.
الأبحاث الانتقالية وقبل السريرية
- ربط نقاط النهاية التصويرية بالسمات التشريحية ذات الصلة بالمرض.
- ضمان الاستمرارية من التصوير الاستكشافي إلى دراسات التحقق قبل السريرية.
- دعم التقدم المعدل حسب المخاطر من خلال توفير مؤشرات حيوية تصويرية كمية وقابلة للتكرار.
- تعزيز الثقة الترجمية في نقاط اتخاذ القرار القائمة على التصوير.
تكامل خطوط المعالجة وسير العمل
يدمج بروتوكول التجزئة هذا ضمن تسلسل عمليات اكتشاف التصوير، بدءاً من اختبار الفرضيات الأولية وصولاً إلى تطوير النماذج قبل السريرية والتحقق من المؤشرات الحيوية الانتقالية.
- بيولوجيا الاكتشاف: تتيح اختبار فرضية العدم بدقة من خلال عزل وتحديد كمية هياكل مدارية محددة.
- الفحص: توفر أقنعة تقسيم معيارية وقابلة للتكرار لتحليل الصور عالي الإنتاجية.
- التحليلات: تُخرج مقاييس كمية مثل درجة dice والتشابه البصري للمقارنة بين الحالات المختلفة.
- الأبحاث الانتقالية: تربط تصوير الاكتشاف بنقاط النهاية قبل السريرية من خلال مواءمة مخرجات التقسيم مع التشريح ذي الصلة بالمرض.
- إعادة الاستخدام المؤسسي: يوفر بروتوكولاً قابلاً للتوسع والتعديل يمكن تكييفه مع مناطق تشريحية وأنماط تصوير أخرى.
التأثير التشغيلي والمؤسسي
- القيمة العلمية: تزيد من الثقة التنبؤية وتقلل من الغموض في التحقق من الأهداف القائم على التصوير.
- القيمة التشغيلية: تبسط عملية التعليق التوضيحي، وتعزز إمكانية التكرار، وتدعم تدفقات عمل التصوير القابلة للتوسع.
- القيمة الاستراتيجية: تحسن قرارات المضي قدماً أو التوقف وكفاءة رأس المال من خلال توفير نقاط نهاية تصويرية قوية.
- تأثير المحفظة: تتيح تحديد الأولويات المعدلة حسب المخاطر والدفع ببرامج التصوير إلى الأمام.
اعتبارات التنفيذ
- يتطلب خبرة في التعلم العميق، وتحليل الصور الطبية، وإدارة سير العمل القائم على لغة Python.
- يتطلب الوصول إلى بيانات تصوير مقطعي محوسب (CT) عالية الجودة وبنية تحتية حوسبية لتدريب النموذج وتقييمه.
- يتطلب توحيد بروتوكولات التعليق التوضيحي ومقاييس التقييم بين الفرق المختلفة.
- يمكن تطويعه لمناطق تشريحية أخرى مع تعديل عمليات المعالجة المسبقة ومعاملات النموذج.
- قد يكون الأداء محدوداً بحجم مجموعة بيانات التدريب؛ ويمكن لتقنية التعلم بنقل المعرفة أن تخفف من مشكلة ندرة البيانات.
الأسئلة الشائعة حول الأدوية البيولوجية
Chapters in this video
0:04
Introduction
0:42
Eyeball, Optic Nerve, and Extraocular Muscle Masking on the Orbital CT Scans
1:42
Pre-Processing: Window Clipping and Cropping the VOIs
2:16
Four Cross-Validations of the Orbital Segmentation Model
2:57
Results: Segmentation Results of the Orbital Structures
4:01
Conclusion
