Application de la segmentation d’images médicales basée sur l’apprentissage profond via la tomodensitométrie orbitale
30 novembre 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 présente un protocole de segmentation d'objets pour les images de tomodensitométrie (CT) orbitaire, facilitant le masquage des structures anatomiques. Le protocole vise à améliorer le diagnostic des maladies orbitaires, dont la biopsie est difficile.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Imagerie médicale
- Vision par ordinateur
Contexte
- Les maladies orbitaires nécessitent souvent des méthodes diagnostiques non invasives.
- L'imagerie par tomodensitométrie est un outil précieux pour visualiser les structures orbitaires.
- Les méthodes existantes de segmentation sont limitées en termes de précision et d'efficacité.
- Les techniques de super-résolution peuvent améliorer la qualité des images pour une meilleure segmentation.
Objectif de l'étude
- Développer un protocole permettant une segmentation précise des structures orbitaires sur des images de tomodensitométrie.
- Faciliter le processus de masquage des parties anatomiques en vue de leur analyse.
- Fournir une base pour les recherches futures sur le diagnostic des maladies orbitaires.
Méthodes utilisées
- Utilisation de la super-résolution pour l'étiquetage du référentiel des structures orbitaires.
- Extraction du volume d'intérêt (VOI) à partir d'images TDM.
- Mise en œuvre d'un modèle U-Net séquentiel 2D pour la segmentation multi-étiquettes.
- Évaluation des performances de segmentation à l'aide de métriques telles que le score de Dice et la similarité visuelle.
Résultats principaux
- Atteint un score de similarité visuelle de 0,83 et un score DICE de 0,86 pour la segmentation du globe oculaire.
- Des scores DICE plus faibles, de 0,54 pour les muscles extraoculaires et de 0,34 pour le nerf optique, en raison de leur apparition limitée sur les scanners CT.
- La segmentation globale des sous-structures orbitaires a donné un score DICE de 0,79.
- Les résultats indiquent un potentiel d'amélioration de la précision diagnostique dans les maladies orbitaires.
Conclusions
- Le protocole développé améliore l'efficacité de la segmentation de la structure orbitaire.
- Un apprentissage par transfert pourrait être nécessaire pour améliorer les performances du modèle en cas de données d'entraînement limitées.
- Cette étude jette les bases des progrès futurs dans le domaine des diagnostics orbitaires non invasifs.
Questions fréquemment posées
Pertinence sectorielle pour les cadres
La segmentation basée sur l'apprentissage profond des images de tomodensitométrie orbitaire permet une délimitation précise et reproductible des structures anatomiques critiques, soutenant ainsi la découverte précoce et la recherche translationnelle dans les troubles ophtalmiques et neuro-ophtalmiques. La segmentation automatisée et de haute fidélité accélère le développement de modèles pertinents pour les maladies et de biomarqueurs d'imagerie quantitatifs, réduit la charge liée à l'annotation manuelle et améliore la confiance prédictive dans les flux de travail d'imagerie préclinique. Cette capacité renforce la prise de décision stratégique en fournissant des critères d'évaluation d'imagerie standardisés et évolutifs pour la validation des cibles et la réduction des risques mécanistiques.
Applications stratégiques en recherche et développement en biopharmaceutique
Découverte précoce et validation de cibles
- La segmentation automatisée permet une quantification objective des structures orbitaires pour la validation d'hypothèses.
- Elle soutient la validation fonctionnelle des cibles en fournissant des lectures d'imagerie reproductibles.
- Elle facilite la réduction des risques mécanistiques grâce à une délimitation anatomique précise.
- Elle améliore la confiance prédictive dans la recherche ophtalmologique en phase précoce.
Développement de criblages et de tests
- Fournit des masques validés et de haute résolution destinés aux flux de travail d'analyse d'images en aval.
- Normalise les résultats de segmentation, favorisant la reproductibilité et l'extensibilité des tests.
- Permet une évaluation quantitative des effets des composés sur l'anatomie orbitaire.
- Prépare les jeux de données pour des criblages robustes et une réutilisation de la plateforme.
Recherche translationnelle et préclinique
- Aligne les critères d'imagerie avec les caractéristiques anatomiques pertinentes pour la maladie.
- Garantit la continuité entre les études d'imagerie de découverte et les études de validation préclinique.
- Permet une progression adaptée au risque en fournissant des biomarqueurs d'imagerie quantitatifs et reproductibles.
- Renforce la fiabilité translationnelle des décisions basées sur l'imagerie.
Intégration du pipeline et du flux de travail
Ce protocole de segmentation s'intègre dans la continuité de la découverte par imagerie, depuis la vérification préliminaire des hypothèses jusqu'au développement de modèles précliniques et à la validation de biomarqueurs translationnels.
- Biologie de la découverte : Permet une vérification rigoureuse de l'hypothèse nulle en isolant et en quantifiant des structures orbitaires spécifiques.
- Écrantage : Fournit des masques de segmentation normalisés et reproductibles destinés à l'analyse d'images à haut débit.
- Analytique : Produit des métriques quantitatives telles que le score de Dice et la similarité visuelle, permettant des comparaisons entre différentes conditions.
- Recherche translationnelle : Relie l'imagerie exploratoire aux critères précliniques en alignant les résultats de segmentation sur l'anatomie pertinente pour la maladie.
- Réutilisation en milieu professionnel : Propose un protocole évolutif et modifiable, adaptable à d'autres régions anatomiques et à d'autres modalités d'imagerie.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive et réduit l'ambiguïté dans la validation d'objectifs basée sur l'imagerie.
- Valeur opérationnelle : Simplifie l'annotation, améliore la reproductibilité et soutient des flux de travail d'imagerie évolutifs.
- Valeur stratégique : Améliore les décisions de poursuite ou d'abandon et l'efficacité du capital en fournissant des critères d'évaluation par imagerie robustes.
- Impact sur le portefeuille : Permet une priorisation et une avancée ajustées au risque des programmes guidés par l'imagerie.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en apprentissage profond, en analyse d'images médicales et en gestion de flux de travail basée sur Python.
- Suppose l'accès à des données d'imagerie TDM de haute qualité et à une infrastructure informatique pour l'entraînement et l'évaluation du modèle.
- Exige une standardisation transversale des protocoles d'annotation et des métriques d'évaluation.
- Peut être adapté à d'autres régions anatomiques moyennant une modification des paramètres de prétraitement et du modèle.
- Les performances peuvent être limitées par la taille de l'ensemble de données d'entraînement ; l'apprentissage par transfert peut atténuer la rareté des données.
F.A.Q. sur la bio-industrie pharmaceutique
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
