Anwendung der Deep-Learning-basierten medizinischen Bildsegmentierung mittels orbitaler Computertomographie
30. November 2022
Ein Objektsegmentierungsprotokoll für orbitale Computertomographie (CT) Bilder wird eingeführt. Die Methoden zur Markierung der Grundwahrheit von Orbitalstrukturen mit Superauflösung, zur Extraktion des interessierenden Volumens aus CT-Bildern und zur Modellierung der Multilabel-Segmentierung mit 2D-sequentiellem U-Net für orbitale CT-Bilder werden für überwachtes Lernen erläutert.
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.
Überblick
Diese Studie stellt ein Objektsegmentierungsprotokoll für orbitale Computertomographie (CT)-Bilder vor, das die Maskierung anatomischer Strukturen erleichtert. Das Protokoll zielt darauf ab, die Diagnose von orbitalen Erkrankungen zu verbessern, die schwer zu biopsieren sind.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Neurowissenschaften
- Medizinische Bildgebung
- Computer Vision
Hintergrund
- Orbitale Erkrankungen erfordern oft nicht-invasive Diagnosemethoden.
- CT-Bildgebung ist ein wertvolles Werkzeug zur Visualisierung orbitaler Strukturen.
- Bestehende Methoden zur Segmentierung sind in Bezug auf Genauigkeit und Effizienz begrenzt.
- Super-Resolution-Techniken können die Bildqualität für eine bessere Segmentierung verbessern.
Zweck der Studie
- Ein Protokoll für die genaue Segmentierung orbitaler Strukturen in CT-Bildern zu entwickeln.
- Den Prozess der Maskierung anatomischer Teile für die Analyse zu optimieren.
- Eine Grundlage für zukünftige Forschungen in der Diagnose orbitaler Erkrankungen zu schaffen.
Verwendete Methoden
- Nutzung von Super-Resolution zur Kennzeichnung der Ground Truth orbitaler Strukturen.
- Extraktion des Volumens von Interesse (VOI) aus CT-Bildern.
- Implementierung eines 2D-sequentiellen U-Net-Modells für Multi-Label-Segmentierung.
- Bewertung der Segmentierungsleistung mithilfe von Metriken wie Dice-Score und visuelle Ähnlichkeit.
Hauptergebnisse
- Ein visueller Ähnlichkeitswert von 0,83 und ein Dice-Score von 0,86 für die Augenkugelsegmentierung erreicht.
- Niedrigere Dice-Scores von 0,54 für extraokuläre Muskeln und 0,34 für den Sehnerv aufgrund ihrer begrenzten Darstellung in CT-Scans.
- Die Gesamtsegmentierung orbitaler Substrukturen ergab einen Dice-Score von 0,79.
- Die Ergebnisse deuten auf ein Potenzial zur Verbesserung der diagnostischen Genauigkeit bei orbitalen Erkrankungen hin.
Schlussfolgerungen
- Das entwickelte Protokoll verbessert die Effizienz der Segmentierung orbitaler Strukturen.
- Transfer-Learning könnte notwendig sein, um die Modellleistung bei begrenzten Trainingsdaten zu verbessern.
- Diese Studie legt den Grundstein für zukünftige Fortschritte in der nicht-invasiven orbitalen Diagnostik.
Häufig gestellte Fragen
Executive Industry Relevance
Deep learning-based segmentation of orbital CT images enables precise, reproducible delineation of critical anatomical structures, supporting early discovery and translational research in ophthalmic and neuro-ophthalmic disorders. Automated, high-fidelity segmentation accelerates the development of disease-relevant models and quantitative imaging biomarkers, reducing manual annotation burden and enhancing predictive confidence in preclinical imaging workflows. This capability strengthens portfolio decision-making by providing standardized, scalable imaging endpoints for target validation and mechanistic de-risking.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Automated segmentation enables objective quantification of orbital structures for hypothesis testing.
- Supports functional target validation by providing reproducible imaging readouts.
- Facilitates mechanistic de-risking through precise anatomical delineation.
- Improves predictive confidence in early-stage ophthalmic research.
Screening & Assay Development
- Delivers validated, high-resolution masks for downstream image analysis workflows.
- Standardizes segmentation outputs, supporting reproducibility and assay scalability.
- Enables quantitative assessment of compound effects on orbital anatomy.
- Prepares datasets for robust screening and platform reuse.
Translational & Preclinical Research
- Aligns imaging endpoints with disease-relevant anatomical features.
- Ensures continuity from discovery imaging to preclinical validation studies.
- Supports risk-adjusted advancement by providing quantitative, reproducible imaging biomarkers.
- Enhances translational confidence in imaging-based decision points.
Pipeline & Workflow Integration
This segmentation protocol integrates into the imaging discovery continuum, from early hypothesis testing through preclinical model development and translational biomarker validation.
- Discovery Biology: Enables rigorous null hypothesis testing by isolating and quantifying specific orbital structures.
- Screening: Provides standardized, reproducible segmentation masks for high-throughput image analysis.
- Analytics: Outputs quantitative metrics such as dice score and visual similarity for cross-condition comparison.
- Translational Research: Bridges discovery imaging with preclinical endpoints by aligning segmentation outputs to disease-relevant anatomy.
- Enterprise Reuse: Offers a scalable, modifiable protocol adaptable to other anatomical regions and imaging modalities.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces ambiguity in imaging-based target validation.
- Operational Value: Streamlines annotation, enhances reproducibility, and supports scalable imaging workflows.
- Strategic Value: Improves go/no-go decisions and capital efficiency by providing robust imaging endpoints.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of imaging-driven programs.
Implementation Considerations
- Requires expertise in deep learning, medical image analysis, and Python-based workflow management.
- Needs access to high-quality CT imaging data and computational infrastructure for model training and evaluation.
- Demands cross-team standardization of annotation protocols and evaluation metrics.
- Adaptable to other anatomical regions with modification of pre-processing and model parameters.
- Performance may be limited by training dataset size; transfer learning can mitigate data scarcity.
Biopharma FAQs
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
