基于深度学习的医学图像分割应用 通过 眼眶计算机断层扫描

本研究中，我们提出了针对眼眶计算机断层扫描图像的对象分割方案。这是全球首次尝试。使用该程序，您可以轻松地对任意解剖部位进行掩膜处理。

它能够实现可视化，并节省您的时间和精力。我们希望本研究能够为难以进行活检的眼眶疾病诊断奠定基础。首先运行掩膜软件程序。

要加载眼眶CT，请点击打开文件图标并选择目标CT文件。若需使用超像素遮盖眼球、视神经和眼外肌，请在MediLabel中点击SmartPencil向导以运行SmartPencil。如有必要，可调整超像素图的分辨率，然后在超像素图上点击眼球、眼外肌和视神经所在的一组超像素，这些超像素将具有相似图像强度值的像素聚类在一起。

为了优化掩膜，可在对切片上的部分超像素进行掩膜后，点击 SmartFill 向导，然后点击自动校正图标，并确保已计算出校正后的掩膜标签。掩膜优化完成后，保存已掩膜的图像。运行用于预处理的 Python 脚本，并检查在 VOIs 文件夹中已裁剪并保存的扫描图像和掩膜。

运行序列构建器 Python 脚本，将 VOI 转换为一组三个连续的 CT 切片，作为序列 U-Net 的输入。分别检查扫描文件夹、掩码文件夹以及预处理文件夹中保存的已转换 CT 扫描图像和掩码。为构建眼眶分割模型，请运行 Python 脚本 main。

py 并给出折叠编号。设置训练迭代次数（epoch）以及批量大小（batch size），后者指单次训练会话中的训练样本数量。脚本 main。

py 可以在不使用解析器的情况下运行，此时将使用默认值。在训练完成后对模型进行测试，并计算评估指标，如 Dice 分数和体积相似性。最后，检查保存为图像文件的结果。

采用序列U-Net进行眼眶结构分割的眼球分割实现了0.83的视觉相似性（VS）评分和0.86的高Dice评分，因其在感兴趣区域（VOIs）中占比较大，且CT扫描间异质性较小。眼外肌分割的Dice评分较低，为0.54，视神经分割的Dice评分仅为0.34，原因是它们在CT容积中出现频率较低，且仅存在于相对较少的CT切片中。然而，眼外肌和视神经的视觉相似性评分高于其Dice评分，表明分割的特异性较低。

总体而言，所有眼眶亚结构的分割达到了0.79的Dice分数和0.82的视觉相似性评分。根据具体应用的不同，感兴趣体积（VOI）的大小和窗宽截断水平可以有所调整。您可以修改序列构建代码以用于其他重要目的。

此外，可以修改模型训练的超参数。该模型使用了46个感兴趣体积（VOI）进行训练，这一数量在模型训练中并不算大。为了克服因训练数据集数量较少导致的性能低下问题，可采用迁移学习和领域标注方法。