Aplicación de la segmentación de imágenes médicas basada en el aprendizaje profundo mediante tomografía computarizada orbital
30 de noviembre de 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.
Resumen
Este estudio presenta un protocolo de segmentación de objetos para imágenes de tomografía computarizada (TC) orbitaria, que facilita el enmascaramiento de estructuras anatómicas. El protocolo tiene como objetivo mejorar el diagnóstico de enfermedades orbitarias, que son difíciles de biopsiar.
Componentes Clave del Estudio
Área de la ciencia
- Neurociencia
- Imagen médica
- Visión por computadora
Antecedentes
- Las enfermedades orbitarias a menudo requieren métodos diagnósticos no invasivos.
- La imagen por tomografía computarizada es una herramienta valiosa para visualizar las estructuras orbitarias.
- Los métodos existentes de segmentación tienen limitaciones en cuanto a precisión y eficiencia.
- Las técnicas de superresolución pueden mejorar la calidad de la imagen para lograr una mejor segmentación.
Objetivo del estudio
- Desarrollar un protocolo para la segmentación precisa de estructuras orbitarias en imágenes de TC.
- Agilizar el proceso de enmascaramiento de partes anatómicas para su análisis.
- Proporcionar una base para investigaciones futuras en el diagnóstico de enfermedades orbitarias.
Métodos Utilizados
- Uso de superresolución para la etiquetación del patrón de referencia de estructuras orbitarias.
- Extracción del volumen de interés (VOI) a partir de imágenes de TC.
- Implementación de un modelo U-Net secuencial 2D para segmentación multietiqueta.
- Evaluación del desempeño de la segmentación mediante métricas como el coeficiente de Dice y la similitud visual.
Resultados principales
- Obtuvo una puntuación de similitud visual de 0,83 y una puntuación de dice de 0,86 para la segmentación del globo ocular.
- Puntuaciones de dice más bajas de 0,54 para los músculos extraoculares y de 0,34 para el nervio óptico debido a su aparición limitada en las tomografías computarizadas.
- La segmentación general de las subestructuras orbitarias arrojó una puntuación de dice de 0,79.
- Los resultados indican un potencial para mejorar la precisión diagnóstica en enfermedades orbitarias.
Conclusiones
- El protocolo desarrollado mejora la eficiencia de la segmentación de la estructura orbitaria.
- Puede ser necesario el aprendizaje por transferencia para mejorar el rendimiento del modelo con datos de entrenamiento limitados.
- Este estudio sienta las bases para futuros avances en diagnósticos orbitarios no invasivos.
Preguntas frecuentes
Relevancia Ejecutiva para la Industria
La segmentación basada en aprendizaje profundo de imágenes de tomografía computarizada orbitaria permite una delimitación precisa y reproducible de estructuras anatómicas críticas, apoyando el descubrimiento temprano y la investigación traslacional en trastornos oftálmicos y neurooftálmicos. La segmentación automatizada y de alta fidelidad acelera el desarrollo de modelos relevantes para enfermedades y biomarcadores de imagen cuantitativos, reduciendo la carga de anotación manual y mejorando la confianza predictiva en los flujos de trabajo de imágenes preclínicas. Esta capacidad fortalece la toma de decisiones en carteras al proporcionar puntos finales de imagen estandarizados y escalables para la validación de objetivos y la reducción de riesgos mecanicistas.
Aplicaciones Estratégicas en I+D de Biofármacos
Descubrimiento Temprano y Validación de Blancos
- La segmentación automatizada permite la cuantificación objetiva de estructuras orbitarias para la comprobación de hipótesis.
- Apoya la validación funcional de objetivos al proporcionar lecturas de imágenes reproducibles.
- Facilita la reducción de riesgos mecanicistas mediante la delimitación anatómica precisa.
- Mejora la confianza predictiva en investigaciones oftálmicas de etapa temprana.
Desarrollo de Cribado y Ensayos
- Proporciona máscaras validadas y de alta resolución para flujos de trabajo de análisis de imágenes posteriores.
- Normaliza las salidas de segmentación, favoreciendo la reproducibilidad y la escalabilidad del ensayo.
- Permite la evaluación cuantitativa de los efectos de compuestos sobre la anatomía orbitaria.
- Prepara conjuntos de datos para cribados robustos y reutilización de plataformas.
Investigación Traductacional y Preclínica
- Alinea los puntos finales de imagen con características anatómicas relevantes para la enfermedad.
- Asegura la continuidad desde los estudios de descubrimiento por imagen hasta las validaciones preclínicas.
- Apoya el avance ajustado al riesgo al proporcionar biomarcadores de imagen cuantitativos y reproducibles.
- Mejora la confianza traslacional en los puntos de decisión basados en imágenes.
Integración de la canalización y flujo de trabajo
Este protocolo de segmentación se integra en el continuo del descubrimiento mediante imágenes, desde la prueba inicial de hipótesis hasta el desarrollo de modelos preclínicos y la validación traslacional de biomarcadores.
- Biología del Descubrimiento: Permite pruebas rigurosas de hipótesis nulas mediante el aislamiento y la cuantificación de estructuras orbitarias específicas.
- Examen: Proporciona máscaras de segmentación estandarizadas y reproducibles para el análisis de imágenes de alto rendimiento.
- Análisis: Genera métricas cuantitativas como la puntuación de Dice y la similitud visual para la comparación entre condiciones.
- Investigación Traducional: Conecta la obtención de imágenes para el descubrimiento con puntos finales preclínicos al alinear las salidas de segmentación con la anatomía relevante para la enfermedad.
- Reutilización Empresarial: Ofrece un protocolo escalable y modificable adaptable a otras regiones anatómicas y modalidades de imagen.
Impacto Operativo y Empresarial
- Valor Científico: Aumenta la confianza predictiva y reduce la ambigüedad en la validación de dianas basada en imágenes.
- Valor Operativo: Agiliza la anotación, mejora la reproducibilidad y apoya flujos de trabajo de imágenes escalables.
- Valor Estratégico: Mejora las decisiones de avance/no avance y la eficiencia del capital al proporcionar puntos finales de imagen robustos.
- Impacto en el Portafolio: Permite la priorización y el avance ajustados al riesgo de programas guiados por imágenes.
Consideraciones de Implementación
- Requiere experiencia en aprendizaje profundo, análisis de imágenes médicas y gestión de flujos de trabajo basados en Python.
- Necesita acceso a datos de imágenes de tomografía computarizada de alta calidad e infraestructura computacional para el entrenamiento y evaluación del modelo.
- Exige la estandarización entre equipos de los protocolos de anotación y las métricas de evaluación.
- Adaptable a otras regiones anatómicas mediante la modificación de los parámetros de preprocesamiento y del modelo.
- El rendimiento puede verse limitado por el tamaño del conjunto de datos de entrenamiento; el aprendizaje por transferencia puede mitigar la escasez de datos.
Preguntas frecuentes sobre biofármacos
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
