Aplicación de la segmentación de imágenes médicas basada en el aprendizaje profundo mediante tomografía computarizada orbital
November 30th, 2022
Se introduce un protocolo de segmentación de objetos para imágenes de tomografía computarizada (TC) orbital. Los métodos para etiquetar la verdad en tierra de las estructuras orbitales mediante el uso de superresolución, extraer el volumen de interés de las imágenes de TC y modelar la segmentación de múltiples etiquetas utilizando U-Net secuencial 2D para imágenes de TC orbitales se explican para el aprendizaje supervisado.
Introdujimos el protocolo de segmentación de objetos para imágenes de tomografía computarizada orbital en este estudio. Es el primer juicio en el mundo. Con este programa, puede hacer enmascaramiento en cualquier parte de la anatomía fácilmente donde desee.
Visualiza y ahorra su tiempo y esfuerzo. Esperamos que este estudio pueda ser una piedra angular para el diagnóstico de enfermedades orbitarias, que son difíciles de biopsiar. Comience ejecutando el programa de software de enmascaramiento.
Para cargar la TC orbital, haga clic en el icono de abrir archivo y seleccione el archivo CT de destino. Para enmascarar el globo ocular, el nervio óptico y los músculos extraoculares mediante superpíxeles, ejecute el SmartPencil haciendo clic en el asistente de SmartPencil en MediLabel. A continuación, controle la resolución del mapa de superpíxeles, si es necesario, y haga clic en el grupo de superpíxeles del globo ocular, los músculos extraoculares y el nervio óptico en el mapa de superpíxeles, donde se agrupan píxeles de valores de intensidad de imagen similares.
Para refinar las máscaras, haga clic en el asistente SmartFill después de enmascarar algunos de los superpíxeles de los sectores, luego haga clic en el icono de Autocorrección y asegúrese de que se calculan las etiquetas de máscara corregidas. Una vez que se complete el refinamiento del enmascaramiento, guarde las imágenes enmascaradas. Ejecute el script de Python para el procesamiento previo y verifique los escaneos y las máscaras que se recortan y guardan en la carpeta VOI.
Ejecute el script Python del generador de secuencias para transformar los VOI en un conjunto de tres cortes CT secuenciales para usar como entrada para la secuencia U-Net. Compruebe las tomografías computarizadas y las máscaras guardadas y transformadas en la carpeta de exploración y la carpeta de máscara y las carpetas preprocesadas, respectivamente. Para construir el modelo de segmentación orbital, ejecute el script de Python main.
py y dar los números de pliegue. Establezca la época, que es el número de iteraciones de entrenamiento, y establezca el tamaño del lote, que es el número de muestras de entrenamiento en una sola sesión de entrenamiento. El script principal.
PY puede ejecutarse sin los analizadores, en cuyo caso, se ejecuta con valores predeterminados. Realice las pruebas del modelo después del entrenamiento y calcule las métricas de evaluación, como la puntuación de los dados y la similitud de volumen. Finalmente, verifique los resultados guardados como archivos de imagen.
La segmentación del globo ocular utilizando la secuencia U-Net para la segmentación de la estructura orbital logró una similitud visual o puntuación VS de 0,83 y una puntuación de dados alta de 0,86 porque tenía una gran parte de los VOI y poca heterogeneidad entre las tomografías computarizadas. Se logró una puntuación baja de dados de 0,54 para la segmentación de los músculos extraoculares y 0,34 para el nervio óptico, porque aparecieron con poca frecuencia en el volumen de la TC y se encontraron en un número relativamente pequeño de cortes de TC. Sin embargo, los puntajes de similitud visual de los músculos extraoculares y el nervio óptico fueron más altos que sus puntajes de dados, lo que indica que la especificidad de la segmentación fue baja.
En general, la segmentación de todas las subestructuras orbitales logró una puntuación de dados de 0,79 y una puntuación de similitud visual de 0,82. Dependiendo de la aplicación, el tamaño de VOI y el nivel de recorte de ventana pueden variar. Puede modificar el código del generador de secuencias para otros grandes propósitos.
Además, se pueden modificar los hiperparámetros para el entrenamiento de modelos. El modelo fue entrenado con 46 VOIs, que no es un gran número para el entrenamiento del modelo. Para superar el bajo rendimiento debido al pequeño número de conjuntos de datos de entrenamiento, se podría aplicar el aprendizaje de transferencia y la notación de dominio.
Visión general
Este estudio introduce un protocolo de segmentación de objetos para imágenes de tomografía computarizada (TC) orbital, facilitando el enmascaramiento de estructuras anatómicas. El protocolo tiene como objetivo mejorar el diagnóstico de enfermedades orbitales, que son difíciles de biopsiar.
Componentes clave del estudio
Área de la ciencia
- Neurociencia
- Imágenes médicas
- Visión por computadora
Antecedentes
- Las enfermedades orbitales a menudo requieren métodos diagnósticos no invasivos.
- Las imágenes de TC son una herramienta valiosa para visualizar estructuras orbitales.
- Los métodos existentes para la segmentación son limitados en precisión y eficiencia.
- Las técnicas de superresolución pueden mejorar la calidad de la imagen para una mejor segmentación.
Propósito del estudio
- Desarrollar un protocolo para la segmentación precisa de estructuras orbitales en imágenes de TC.
- Simplificar el proceso de enmascaramiento de partes anatómicas para el análisis.
- Proporcionar una base para futuras investigaciones en el diagnóstico de enfermedades orbitales.
Métodos utilizados
- Utilización de superresolución para etiquetar la verdad de referencia de las estructuras orbitales.
- Extracción del volumen de interés (VOI) de las imágenes de TC.
- Implementación de un modelo U-Net secuencial 2D para segmentación multietiqueta.
- Evaluación del rendimiento de la segmentación utilizando métricas como el puntaje dice y la similitud visual.
Resultados principales
- Se logró un puntaje de similitud visual de 0.83 y un puntaje dice de 0.86 para la segmentación del globo ocular.
- Puntajes dice más bajos de 0.54 para los músculos extraoculares y 0.34 para el nervio óptico debido a sus apariciones limitadas en las tomografías computarizadas.
- La segmentación general de las subestructuras orbitales obtuvo un puntaje dice de 0.79.
- Los resultados indican un potencial para mejorar la precisión diagnóstica en enfermedades orbitales.
Conclusiones
- El protocolo desarrollado mejora la eficiencia de la segmentación de estructuras orbitales.
- El aprendizaje por transferencia puede ser necesario para mejorar el rendimiento del modelo con datos de entrenamiento limitados.
- Este estudio sienta las bases para futuros avances en diagnósticos orbitales no invasivos.
Preguntas frecuentes
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
