Anwendung der Deep-Learning-basierten medizinischen Bildsegmentierung mittels orbitaler Computertomographie

In dieser Studie haben wir das Objektsegmentierungsprotokoll für orbitale Computertomographie-Bilder vorgestellt. Es ist der erste Versuch der Welt. Mit diesem Programm können Sie Maskierung an jedem Anatomieteil leicht durchführen, wo Sie möchten.

Es visualisiert und spart Ihnen Zeit und Mühe. Wir hoffen, dass diese Studie ein Grundstein für die Diagnose von Orbitalerkrankungen sein kann, die für die Biopsie schwierig sind. Beginnen Sie mit dem Ausführen des Maskierungssoftwareprogramms.

Um den orbitalen CT zu laden, klicken Sie auf das Symbol zum Öffnen der Datei und wählen Sie die Ziel-CT-Datei aus. Um den Augapfel, den Sehnerv und die extraokularen Muskeln mit Superpixeln zu maskieren, führen Sie den SmartPencil aus, indem Sie in MediLabel auf den SmartPencil-Assistenten klicken. Als nächstes steuern Sie bei Bedarf die Auflösung der Superpixelkarte und klicken Sie auf den Cluster der Superpixel des Augapfels, der extraokularen Muskeln und des Sehnervs auf der Superpixelkarte, wo Pixel mit ähnlichen Bildintensitätswerten gruppiert sind.

Um die Masken zu verfeinern, klicken Sie auf den SmartFill-Assistenten, nachdem Sie einige der Superpixel auf den Segmenten maskiert haben, klicken Sie dann auf das AutoKorrektur-Symbol und stellen Sie sicher, dass die korrigierten Maskenbeschriftungen berechnet werden. Sobald die Verfeinerung der Maskierung abgeschlossen ist, speichern Sie die maskierten Bilder. Führen Sie das Python-Skript zur Vorverarbeitung aus und überprüfen Sie die Scans und Masken, die zugeschnitten und im VOIs-Ordner gespeichert werden.

Führen Sie das Python-Skript des Sequenzgenerators aus, um die VOIs in einen Satz von drei sequenziellen CT-Slices umzuwandeln, die als Eingabe für die Sequenz U-Net verwendet werden. Überprüfen Sie die gespeicherten, transformierten CT-Scans und Masken im Scanordner bzw. im Maskenordner bzw. in den vorverarbeiteten Ordnern. Um das orbitale Segmentierungsmodell zu erstellen, führen Sie das Python-Skript main aus.

py und geben Sie die Falznummern an. Legen Sie die Epoche fest, d. h. die Anzahl der Trainingsiterationen, und legen Sie die Batchgröße fest, d. h. die Anzahl der Trainingsbeispiele in einer einzelnen Trainingssitzung. Das Skript main.

PY kann ohne die Parser ausgeführt werden, in diesem Fall wird es mit Standardwerten ausgeführt. Führen Sie die Tests des Modells nach dem Training durch und berechnen Sie die Bewertungsmetriken wie Würfelergebnis und Volumenähnlichkeit. Überprüfen Sie abschließend die als Bilddateien gespeicherten Ergebnisse.

Die Augapfelsegmentierung mit der Sequenz U-Net für die Segmentierung der Orbitalstruktur erreichte eine visuelle Ähnlichkeit oder VS-Punktzahl von 0,83 und einen hohen Würfelwert von 0,86, da sie einen großen Anteil der VOIs und wenig Heterogenität zwischen CT-Scans aufwies. Ein niedriger Würfelwert von 0,54 wurde für die Segmentierung der extraokularen Muskeln und 0,34 für den Sehnerv erreicht, da sie selten im CT-Volumen auftraten und in einer relativ kleinen Anzahl von CT-Schnitten gefunden wurden. Die visuellen Ähnlichkeitswerte der extraokularen Muskeln und des Sehnervs waren jedoch höher als ihre Würfelwerte, was darauf hindeutet, dass die Spezifität der Segmentierung gering war.

Insgesamt erreichte die Segmentierung aller orbitalen Substrukturen einen Würfelwert von 0,79 und einen visuellen Ähnlichkeitswert von 0,82. Je nach Anwendung können die Größe des VOI und der Grad des Fensterausschnitts variieren. Sie können den Sequenz-Builder-Code für andere großartige Zwecke ändern.

Auch die Hyperparameter für das Modelltraining können modifiziert werden. Das Modell wurde mit 46 VOIs trainiert, was für die Modellausbildung keine große Zahl ist. Um die geringe Performance aufgrund der geringen Anzahl von Trainingsdatensätzen zu überwinden, konnten Transferlernen und Domänennotation angewendet werden.