Application de la segmentation d’images médicales basée sur l’apprentissage profond via la tomodensitométrie orbitale
November 30th, 2022
Un protocole de segmentation d’objets pour les images orbitales de tomodensitométrie (CT) est introduit. Les méthodes d’étiquetage de la réalité terrestre des structures orbitales en utilisant la super-résolution, l’extraction du volume d’intérêt des images CT et la modélisation de la segmentation multi-étiquettes à l’aide de U-Net séquentiel 2D pour les images CT orbitales sont expliquées pour l’apprentissage supervisé.
Nous avons introduit le protocole de segmentation d’objets pour les images orbitales de tomodensitométrie dans cette étude. C’est le premier procès au monde. En utilisant ce programme, vous pouvez faire le masquage sur n’importe quelle partie de l’anatomie facilement où vous le souhaitez.
Il visualise et économise votre temps et vos efforts. Nous espérons que cette étude pourra être une pierre angulaire pour le diagnostic des maladies orbitaires, qui sont difficiles pour la biopsie. Commencez par exécuter le logiciel de masquage.
Pour charger le CT orbital, cliquez sur l’icône d’ouverture du fichier et sélectionnez le fichier CT cible. Pour masquer le globe oculaire, le nerf optique et les muscles extraoculaires à l’aide de superpixels, exécutez le SmartPencil en cliquant sur l’assistant SmartPencil dans MediLabel. Ensuite, contrôlez la résolution de la carte des super pixels, si nécessaire, et cliquez sur le groupe de superpixels du globe oculaire, des muscles extraoculaires et du nerf optique sur la carte des superpixels, où les pixels de valeurs d’intensité d’image similaires sont regroupés.
Pour affiner les masques, cliquez sur l’assistant SmartFill après avoir masqué certains des superpixels sur les tranches, puis cliquez sur l’icône Correction automatique et assurez-vous que les étiquettes de masque corrigées sont calculées. Une fois le raffinement du masquage terminé, enregistrez les images masquées. Exécutez le script Python pour le prétraitement et vérifiez les analyses et les masques qui sont rognés et enregistrés dans le dossier VOIs.
Exécutez le script Python du générateur de séquence pour transformer les VOI en un ensemble de trois tranches CT séquentielles à utiliser comme entrée pour la séquence U-Net. Vérifiez les tomodensitogrammes et les masques enregistrés et transformés dans le dossier de numérisation et le dossier masque et les dossiers prétraités respectivement. Pour générer le modèle de segmentation orbitale, exécutez le script Python principal.
py et donner les numéros de pliage. Définissez l’époque, qui est le nombre d’itérations d’apprentissage, et définissez la taille du lot, qui est le nombre d’échantillons d’apprentissage dans une seule session d’entraînement. Le script principal.
PY peut s’exécuter sans les analyseurs, auquel cas, il s’exécute avec les valeurs par défaut. Effectuez les tests du modèle après l’entraînement et calculez les mesures d’évaluation telles que le score de dés et la similitude de volume. Enfin, vérifiez les résultats enregistrés sous forme de fichiers image.
La segmentation du globe oculaire à l’aide de la séquence U-Net pour la segmentation de la structure orbitale a obtenu une similitude visuelle ou un score VS de 0,83 et un score de dés élevé de 0,86 parce qu’elle avait une grande partie des VOI et peu d’hétérogénéité entre les tomodensitométries. Un score de dés faible de 0,54 a été obtenu pour la segmentation des muscles extraoculaires et de 0,34 pour le nerf optique, car ils apparaissaient rarement dans le volume CT et se trouvaient dans un nombre relativement faible de tranches CT. Cependant, les scores de similitude visuelle des muscles extraoculaires et du nerf optique étaient plus élevés que leurs scores de dés, ce qui indique que la spécificité de la segmentation était faible.
Dans l’ensemble, la segmentation de toutes les sous-structures orbitales a atteint un score de dés de 0,79 et un score de similarité visuelle de 0,82. Selon l’application, la taille de VOI et le niveau d’écrêtage de fenêtre peuvent varier. Vous pouvez modifier le code du générateur de séquence à d’autres fins intéressantes.
En outre, les hyperparamètres pour la formation du modèle peuvent être modifiés. Le modèle a été formé avec 46 VOI, ce qui n’est pas un grand nombre pour la formation du modèle. Pour surmonter les faibles performances dues au petit nombre d’ensembles de données d’apprentissage, l’apprentissage par transfert et la notation de domaine pourraient être appliqués.
Aperçu
Cette étude introduit un protocole de segmentation d'objets pour les images de tomographie orbitale (CT), facilitant le masquage des structures anatomiques. Le protocole vise à améliorer le diagnostic des maladies orbitales, qui sont difficiles à biopsier.
Composantes clés de l'étude
Domaine scientifique
- Neuroscience
- Imagerie médicale
- Vision par ordinateur
Contexte
- Les maladies orbitales nécessitent souvent des méthodes de diagnostic non invasives.
- L'imagerie CT est un outil précieux pour visualiser les structures orbitales.
- Les méthodes existantes pour la segmentation sont limitées en termes de précision et d'efficacité.
- Les techniques de super-résolution peuvent améliorer la qualité de l'image pour une meilleure segmentation.
Objectif de l'étude
- Développer un protocole pour une segmentation précise des structures orbitales dans les images CT.
- Rationalisez le processus de masquage des parties anatomiques pour l'analyse.
- Fournir une base pour les recherches futures sur le diagnostic des maladies orbitales.
Méthodes utilisées
- Utilisation de la super-résolution pour l'étiquetage de la vérité de référence des structures orbitales.
- Extraction du volume d'intérêt (VOI) à partir des images CT.
- Mise en œuvre d'un modèle U-Net séquentiel 2D pour la segmentation multi-étiquettes.
- Évaluation de la performance de segmentation en utilisant des métriques telles que le score dice et la similarité visuelle.
Résultats principaux
- Obtention d'un score de similarité visuelle de 0,83 et d'un score dice de 0,86 pour la segmentation du globe oculaire.
- Scores dice plus bas de 0,54 pour les muscles extraoculaires et de 0,34 pour le nerf optique en raison de leurs apparences limitées dans les scans CT.
- La segmentation globale des sous-structures orbitales a donné un score dice de 0,79.
- Les résultats indiquent un potentiel d'amélioration de la précision diagnostique dans les maladies orbitales.
Conclusions
- Le protocole développé améliore l'efficacité de la segmentation des structures orbitales.
- L'apprentissage par transfert peut être nécessaire pour améliorer la performance du modèle avec des données d'entraînement limitées.
- Cette étude jette les bases des avancées futures dans le diagnostic orbital non invasif.
Questions fréquemment posées
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
