הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

ניתוח כמותי אוטומטי של כלי דם ריאתיים בבקע דיאפרגמטי מולד באמצעות למידה עמוקה

117 צפיות

⸱

DOI:

10.3791/70428

⸱

8 במאי 2026

 ,  ,  ,  , 
1Division of Maternal Fetal Medicine, Jackson Fetal Care, Department of Obstetrics, Gynecology, and Reproductive Sciences, Miller School of Medicine, University of Miami, 2Department of Biongineering, Faculty of Chemical and Metallurgical Engineering, Yildiz Technical University, 3Department of Computer Engineering, Istanbul Medipol University, 4NYU-Langone Health Advanced Fetal Center

במאמר זה

סיכום

פרוטוקול זה מתאר צינור למידה עמוקה אוטומטי לחלוטין לחלוקה וניתוח כלי הדם הריאתיים בסריקות CT של יילודים. השיטה מאפשרת הערכה מורפומטרית כמותית של התפתחות כלי הדם אצל בקע דיאפרגמטי מולד (CDH) ונבדקי ביקורת, ותומכת באפיון לא פולשני של היפופלזיה ריאתית ותת-התפתחות כלי דם.

תקציר

בקע דיאפרגמטי מולד (CDH) מאופיין בהיפופלזיה ריאתית ובתת-התפתחות כלי דם, מה שמוביל לפגיעה בהחלפת גזים ולשיעור תמותה גבוהה של יילודים. הערכה מדויקת וכמותית של כלי דם ריאתיים חיונית להבנת חומרת המחלה, אך חלוקה ידנית של רשתות כלי דם תלת-ממדיות בתמונות רפואיות היא גוזלת זמן ותלויה במפעיל.

פרוטוקול זה מציג שיטה אוטומטית לחלוטין מבוססת למידה עמוקה לחלוקת כלי דם ריאתיים וניתוח מורפומטרי באמצעות סריקות CT (טומוגרפיה ממוחשבת לאחר הלידה). הצינור כולל שלבי עיבוד מוקדם סטנדרטיים - המרה ליחידות Hounsfield, חלונות, דגימה איזוטרופית ו-CLAHE (CLAHE) - לנרמול נתוני הדמיה ולשיפור הנראות הוסקולרית. ארכיטקטורת רשת עצבית קונבולוציונית (CNN) של U-Net מאומנת לקטע את כלי הדם הריאתיים, ואחריה אלגוריתם שלד תלת-ממדי לכימות פרמטרים מורפומטריים כגון מספר ענף, אורך הענף הממוצע ועומק הדורות.

תוצאות מייצגות מראות שהמודל המוצע משיג דיוק סגמנטציה גבוה, כאשר תצורת למידת ההעברה מניבה את הביצועים הטובים ביותר. ניתוח מורפומטרי כמותי מגלה ירידה משמעותית במורכבות כלי הדם ב-CDH בהשוואה לריאות הביקורת, בהתאם לתכונות הפתולוגיות הידועות של היפופלזיה ריאתית.

גישה אוטומטית זו מאפשרת הערכה שכפולה, כמותית ולא פולשנית של מורפולוגיית כלי הדם הריאתיים ב-CDH. השיטה יכולה להיות מותאמת לשיטות דימות אחרות ולהחיל במחקרים של התפתחות ריאות עובריות וילודים, מה שמקל על מחקר תרגומי ואינטגרציה קלינית עתידית.

מבוא

בקע סרעפתי מולד (CDH) הוא אנומליה מולדת מסכנת חיים המאופיינת בפגם סרעפתי המוביל לפריצת איברים פנימיים בטניים אל חזה 1,2. הלחץ הפיזי הזה פוגע קשות בהתפתחות הריאות, מה שמוביל להיפופלזיה ריאתית וליתר לחץ דם ריאתי מתמשך (PPHN), שהם הגורמים העיקריים לתחלואה ותמותה. בנוסף להיפופלזיה ריאתית ולתת-התפתחות כלי דם, התפתחות לבבית לקויה ותפקוד ליקוי הוכחו כמשפיעים משמעותית על תוצאות קליניות אצל תינוקות עם CDH. הפתופיזיולוגיה הבסיסית כוללת התפתחות לא תקינה של דרכי הנשימה ושל מיטת כלי הדם הריאתית, מה שמוביל לירידה במספר כלי הדם, להגברת השרירים של העורקים, ולפיכך להגברת התנגדות כלי דם 3,4. נדרשים סמנים ביולוגיים אובייקטיביים וכמותיים כדי לדרוג סיכונים בצורה מדויקת, להנחות התערבויות ולניטור תגובת הטיפול אצל חולי CDH5. היבט קריטי בהערכה זו הוא ניתוח מפורט של כלי הדם הריאתיים, שיכול לספק תובנות לגבי היקף ההיפופלזיה הריאתית והיכולת התפקודית של הריאות. התקדמות בטכניקות דימות, במיוחד טומוגרפיה ממוחשבת (CT), שיפרה את היכולת שלנו להמחיש ולכמת את כלי הדם הריאתייםבפירוט רב.

בעוד שטומוגרפיה ממוחשבת לאחר הלידה (CT) מספקת פרטים אנטומיים ברזולוציה גבוהה של הריאות, ניתוח עץ כלי הדם הריאתי המורכב נותר מאתגר. שיטות קיימות לסגמנטציה וסקולרית לעיתים קרובות מסתמכות על טכניקות עיבוד תמונה מסורתיות שדורשות התערבות ידנית משמעותית, רגישות לארטיפקטים בתמונה, ועשויות שלא להיות עמידות בפני עיוותים אנטומיים חמורים ב-CDH 7,8,9,10. למידה עמוקה, במיוחד רשתות עצביות קונבולוציונליות (CNNs) כמו ארכיטקטורת U-Net, השיגה הצלחה מרשימה בסגמנטציה אוטומטית של תמונות רפואיות. עם זאת, מודלים קיימים רבים מאומנים על נבדקים בריאים או בהקשרים מחלותיים אחרים, מה שמגביל את יישומם לאנומליות מולדות כמו CDH 10,11,12,13.

למרות ההתקדמויות הללו, קיימים פערים משמעותיים בספרות. מחקרים רבים התמקדו באנשים בריאים או במצבים ריאתיים ספציפיים, עם תשומת לב מוגבלת לאנומליות מולדות כמו CDH12. בנוסף, למרות שמודלים של למידה עמוקה הראו שיפור בביצועים, הם לעיתים דורשים מאגרי נתונים גדולים ומוערים לאימון, שלא תמיד זמינים למצבים נדירים כמו CDH. יתרה מזאת, המודלים הקיימים לא התמודדו במלואם עם האתגר להבחין בין סוגים שונים של כלי דם ריאתיים (למשל, עורקים וורידים) בנוכחות עיוותים אנטומיים חמורים הנגרמים על ידי CDH. מגבלה זו מדגישה את הצורך במחקר נוסף לפיתוח מודלים חזקים יותר שיכולים לפצל ולנתח במדויק את כלי הדם הריאתיים בחולי CDH.

מחקר זה שואף להתמודד עם פערים אלו על ידי פיתוח ואימות מסגרת למידה עמוקה אוטומטית לחלוטין לחלוקת כלי הדם הריאתיים ולחילוץ תכונות מורפומטריות כמותיות מסריקות CT. חידוש מרכזי בגישה שלנו הוא אימון המודל שלנו על מאגר נתונים משולב של חולי CDH ומטופלי ביקורת, המאפשר לו ללמוד ייצוג חזק של דפוסי כלי דם תקינים ופתולוגיים. בעוד שהדמיית CT כוללת קרינה מייננת, מה שהופך אותה לבלתי מתאימה לסקר אורך שגרתי, מחקר זה משמש כהוכחת היתכנות חשובה. המטרה העיקרית של מחקר זה היא לקבוע כי כימות רדיולוגי אוטומטי של מבנה כלי הדם אפשרי ויכול להבדיל באופן אמין בין חולי CDH לבין הביקורת. הצלחה בתחום זה מספקת את האימות הנדרש כדי להתאים את המסגרת הכמותית הזו לשיטות דימות ללא קרינה, כגון דימות תהודה מגנטית (MRI), ליישומים קליניים עתידיים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

כל ההליכים הכוללים משתתפים אנושיים בוצעו בהתאם להנחיות ועדת האתיקה למחקר אנושי של המוסד ואושרו על ידי מועצת הביקורת המוסדית (IRB #2017-6361). המחקר בוצע בהתאם לסטנדרטים הרגולטוריים החלים. נתוני המטופלים נאספו רטרוספקטיבית והוסרו מזוהים לפני הניתוח. סקירה של המערכת המפותחת מוצגת באיור 1.

1. קדם-עיבוד תמונה

  1. טעינו סריקות CT גולמיות של מטופלים יילודים בפורמט DICOM אל סביבת העבודה.
    1. פתח את תוכנת ניתוח התמונה הרפואית וצור סביבת עבודה חדשה לפרויקטים.
    2. לחץ על קובץ > ייבוא > סדרת DICOM .
    3. נווט לתיקייה המכילה את סריקת ה-CT של בית החזה של יילודים בפורמט DICOM ובחר את סדרת התמונות המלאה.
    4. ודאו שכל הפרוסות בסדרה מזוהות ומסודרות נכון בהתבסס על מטא-דאטה של רכישה (למשל, מספר מופע).
    5. אשר את מידות התמונה, מרווח הווקסלים ועובי הפרוסה בלוח המטא-דאטה כדי להבטיח עקביות בין הסריקות.
    6. טען את הסדרה לתוך מרחב העבודה ובדוק ויזואלית תצוגות ציריות, קורונליות וסגיטליות כדי לאשר כיוון נכון והיעדר שגיאות טעינה.
  2. המרו קבצי DICOM לפורמט NIfTI באמצעות תוכנה בקוד פתוח כדי לאפשר עיבוד וניתוח קלים יותר.
    1. פתח חלון טרמינל בסביבת המחשוב המדעי.
    2. ניווט לתיקייה המכילה את סדרת התמונות DICOM באמצעות פקודת cd.
    3. הרץ את כלי ההמרה DICOM-to-NIfTI באמצעות מבנה הפקודות הבא: dcm2niix -z y -f output_filename -o /output_directory /input_directory
    4. ודא שדחיסה מופעלת (-z y) ליצירת קובץ .nii.gz דחוס.
    5. ודאו שקובץ הפלט נוצר בהצלחה בתיקיית הפלט שצוינה.
    6. פתח את קובץ NIfTI המומר בצופה תמונות רפואי ובדוק ויזואלית מישורי צירי, קורונלי וסגיטל כדי לאשר כיוון מרחבי נכון ושלמות התמונה.
    7. אשר את מרווח הווקסלים ומידות התמונה כדי להבטיח עקביות בין כל הנושאים לפני העיבוד המוקדם.
  3. המרו את עוצמות התמונה ליחידות האונספילד (HU) באמצעות מטא-דאטה ספציפיים לסורק או נוסחאות סטנדרטיות.
    1. הוצא את פרמטרי המטא-דאטה של DICOM Rescale Slope ו-Rescale Intercept מכותרת התמונה עבור כל סריקה.
    2. עבור כל ערך עוצמת ווקסל (I_raw), חשב את יחידת הונספילד (HU) המתאימה באמצעות הנוסחה הבאה: HU = (I_raw × שיפוע שינוי קנה מידה) + Rescale Intercept.
    3. יישם את ההמרה על כל נפח התמונה התלת-ממדית באמצעות פעולות מטריצה לפי אלמנט בסביבת המחשוב המדעית.
    4. אשר המרה נכונה על ידי אימות שאזורי האוויר בסביבות −1000 HU ואזורים ברקמה רכה נמצאים בטווחים פיזיולוגיים צפויים.
    5. שמור את הנפח המומר כקובץ NIfTI חדש כדי לשמור על הנתונים המקוריים.
  4. מרח חלון כדי להדגיש את הריאות והרקמות הרכות. הגדר את גובה החלון (WL) ל-400- HU ורוחב חלון (WW) ל-1500 HU.
    1. פתח את קובץ NIfTI שהומר בתוכנת ויזואליזציית התמונה.
    2. לנווט לתצוגת התמונה או ללוח הגדרות העוצמה.
    3. בחר באפשרות Window/Level Adjustment.
    4. הגדר ידנית את ערך רמת החלון (WL) ל--400 יחידות הונספילד (HU).
    5. הגדר את ערך רוחב החלון (WW) ל-1500 HU.
    6. אשר והחיל את ההגדרות כדי לעדכן את ויזואליזציית התמונה.
    7. ודאו שהפרנכימה של הריאות וכלי הדם הריאתיים ניתנים להבחנה ברורה ממבנה העצם והמדיאסטין לפני המשך שלבי העיבוד המוקדם.
  5. בצע דגימה איזוטרופית כדי להבטיח שממדי הווקסלים אחידים (למשל, 1 מ"מ × 1 מ"מ × 1 מ"מ) באמצעות אינטרפולציה טריליניארית.
    1. טען את תמונת NIfTI לסביבת פייתון באמצעות ספריית עיבוד תמונות רפואית.
    2. חלץ את ריווח הווקסלים המקורי מהמטא-דאטה של כותרת התמונה.
    3. הגדר את המרווח האיזוטרופי של המטרה כ-(1.0, 1.0, 1.0) מ"מ.
    4. חשב את ממדי התמונה החדשים באמצעות הנוסחה: new_size = original_size × (original_spacing / target_spacing)
    5. אתחול אובייקט דגימה מחדש.
    6. הגדר את שיטת האינטרפולציה לאינטרפולציה תלת-ליניארית.
    7. הקצה את מרווח הווקסלים המטרה (1.0 מ"מ × 1.0 מ"מ × 1.0 מ"מ).
    8. הגדר את גודל התמונה החדש המחושב.
    9. שמור על כיוון התמונה המקורית ומטא-דאטה של המקור.
    10. בצע את פעולת הדגימה מחדש.
    11. שמור את התמונה המחודשת בפורמט NIfTI לשלב הקדם-עיבוד הבא.
    12. אמת את הריווח האיזוטרופי על ידי בדיקת מידות הווקסלים המעודכנים בכותרת התמונה לפני ההמשך.
  6. החלו איזון היסטוגרמה אדפטיבית מוגבלת בניגודיות (CLAHE) לשיפור הניגודיות ושיפור הנראות של מבני כלי דם.
    1. ייבא את ספריית עיבוד התמונה הנדרשת לסביבת פייתון.
    2. המרו את נפח ה-CT התלת-ממדי המחודש לפורמט אפור של 8 ביט במידת הצורך, באמצעות נרמול עוצמה ליניארית כדי למפות את טווח ה-HU הנבחר ל-0–255.
    3. עבדו את נפח ה-CT פרוסה אחר פרוסה במישור הצירי כדי ליישם CLAHE בדו-ממד.
    4. אתחול אובייקט CLAHE באמצעות הפרמטרים הבאים: clipLimit = 2.0, tileGridSize = (8, 8).
    5. לכל פרוסה צירית, יש להפעיל את פונקציית CLAHE כדי להעצים את הניגודיות המקומית.
    6. לשחזר את הפרוסות המעובדות לנפח תלת-ממדי לאחר יישום CLAHE.
    7. שמור את הווליום המוגבר בניגודיות בפורמט NIfTI לסגמנטציה הבאה.
    8. ודאו חזותית שכלי הדם הריאתיים מובחנים יותר מהפרנכימה הסובבת ללא הגברה מופרזת של רעש לפני הפעלה.
  7. בדקו ויזואלית תת-קבוצה של תמונות מעובדות מראש כדי להבטיח איכות ועקביות בכל מאגר הנתונים.
    1. בחר באקראי לפחות 10% מסך הנתונים להערכת איכות ידנית.
    2. פתח כל כרך שנבחר מראש מעובד בצופה התמונות הרפואיות.
    3. בדוק את המישורים הציריים, הקורונליים והסגיטליים כדי לוודא את הדברים הבאים: כיוון מרחבי נכון; היעדר ארטיפקטים של קיצור; יישום נכון של פרמטרי חלונות; דגימה איזוטרופית מוצלחת (ריווח ווקסלים אחיד); שיפור ניגודי מספק לאחר CLAHE.
    4. אשר כי כלי הדם הריאתיים ניתנים להבחנה ברורה ממבנים פרנכימליים סמוכים ללא הגברת רעש מופרזת.
    5. השווה תמונות מעובדות מראש עם נפחים מקוריים שהומרו על ידי HU כדי לוודא ששלבי העיבוד המוקדם לא גורמים לעיוות או אי-עקביות אנטומית.
    6. תעד כל טעות בעיבוד מוקדם וחזור על העיבוד המוקדם במקרים שנפגעו במידת הצורך.

2. הערות ידניות

  1. בחרו תת-קבוצה מייצגת של סריקות CT הן מחוללי ביקורת והן של חולי CDH לשימוש להערות ידניות. להבטיח התפלגות מאוזנת של שונות אנטומית.
    1. זהה את כל סריקות ה-CT המעובדות מראש המתאימות הן מקבוצת הביקורת והן מקבוצות CDH.
    2. יש להוציא סריקות עם תופעות תנועה חמורות או כיסוי ריאות לא שלם.
    3. בחרו באקראי מספר מקרים מוגדר מראש מכל קבוצה כדי להבטיח ייצוג מאוזן.
    4. ודאו הכללת מקרים המראים מגוון של שונות אנטומית, כולל הבדלים בנפח הריאות, צפיפות כלי דם וחומרת ההזזת המדיסטינלית.
    5. אשר שמקרים נבחרים של CDH מייצגים דרגות שונות של היפופלזיה ריאתית, כאשר זמינה.
    6. תעד את מזהי המקרים שנבחרו לפני שממשיכים עם הערות ידניות.
  2. טען את תמונות NIfTI המעובדות מראש לכלי תיאטרון תלת-ממדי לתמונות רפואיות.
    1. פתח את תוכנת ההערות לתמונות רפואיות בתלת-ממד.
    2. צור פרויקט או סשן סגמנטציה חדש.
    3. לחץ על קובץ > Open Image (או אפשרות ייבוא מקבילה).
    4. נווט לתיקייה המכילה את קובץ ה-NIfTI המעובד מראש (.nii או .nii.gz) ובחר את התמונה.
    5. אשר טעינה מוצלחת על ידי אימות כיוון התמונה הנכון בתצוגות ציריות, קורונליות וסגיטליות.
    6. אם צריך להתאים את הגדרות התצוגה כדי לאופטימיזציה של הוויזואליזציה.
    7. צור תווית סגמנטציה חדשה או שכבת מסכה לאחסון הערות וסקולריות ידניות.
    8. שמור את קובץ הפרויקט לפני שאתה מתחיל הערות ידניות.
  3. באמצעות תצוגות אקסיאליות, קורונליות וסגיטליות, יש לפצל ידנית את כלי הדם הריאתיים על ידי קווי המתאר של מבני כלי הדם בכל פרוסה רלוונטית.
    1. הפעל את שכבת התווית של הסגמנטציה שנוצרה בשלב 2.2.
    2. בחר את כלי הציור הידני או המברשת בתוך תוכנת ההערות.
    3. כוון את גודל המברשת באופן דינמי בהתאם לקוטר הכלי כדי להבטיח מעקב מדויק של הגבולות.
    4. באמצעות פרוסות אקסיאליות כמישור ההתייחסות העיקרי, מתארים ידנית מבנים גלויים של כלי דם ריאתיים, כולל גם ענפים עורקיים וגם ורידיים.
    5. יש להוציא מבנים לא-כלי דם כמו סימפונות, דפנות דרכי הנשימה ורקמות מדיסטינליות.
    6. גללו פרוסה אחר פרוסה לאורך כל נפח הריאה כדי להבטיח הערות רציפות של כל ענף וסקולרי.
    7. יש לאמת כל אזור עם הערות בתצוגות קורונליות וסגיטליות כדי לאשר עקביות אנטומית ולמנוע אי-רציפות.
    8. לכלול כלים עד לענפים הקטנים ביותר שנבחנים לעין, תוך הימנעות מחלוקת יתר של ארטיפקטים של רעש.
    9. הציגו תצוגה תלת-ממדית של הסגמנטציה כדי לאמת את הרציפות המרחבית של עץ כלי הדם.
    10. שמור את מסכת הסגמנטציה שהושלמה בפורמט NIfTI לפני שתמשיך לאימון המודלים.
  4. יש להוסיף רק את כלי הדם הריאתיים, למעט הלב, הסימפונות והמבנים הלא-ריאתיים העיקריים.
    1. לזהות עורקים וורידים ריאתיים בתוך הפרנכימה של הריאה באמצעות פרוסות אקסיאליות כנקודת ייחוס עיקרית.
    2. כולל ענפי כלי דם תוך-פרנכימליים שמקורם בעורקי הריאה הראשיים ומתארכים לרוחב בתוך שדות הריאה.
    3. לכלול את תאי הלב, העליות, החדרים וכלי הדם הגדולים.
    4. יש להוציא מבני דרכי אוויר, כולל סימפונות ודפנות סימפון, על ידי הבחנתם מכלי דם על בסיס מורפולוגיה ומאפיינים לומינליים.
    5. הימנעו מסיוג רקמות רכות מדיאסטינליות, פלאורה ומבני דופן החזה.
    6. השתמשו בתצוגות רב-מישוריות (אקסיאליות, קורונליות, סגיטליות) כדי לוודא שמבנים עם הערות עוקבים אחרי רציפות וסקולרית צפויה ודפוסי הסתעפויות.
    7. כאשר הבדלת כלי דם-דרכי הנשימה אינה ודאית, יש לוודא את הרציפות בין הפרוסות הסמוכות כדי לאשר את מסלול כלי הדם לפני הסימון.
    8. בצע הדמיה תלת-ממדית סופית של הנפח המחולק כדי לוודא שרק עץ כלי הדם הריאתי כלול.
  5. אם זמין, יש להתייעץ עם מומחי דימות קליני כדי לאמת אזורים עמומים במהלך ההערה.
    1. זהה אזורים שבהם גבולות כלי הדם אינם ודאים עקב ניגודיות נמוכה, עיוות אנטומי או קרבה למבנים של הסימפונות או המדיאסטינים.
    2. סמנו אזורים אלה בתוך תוכנת ההערות באמצעות תווית זמנית או כלי תגובה.
    3. הצג את האזורים המסומנים למומחה דימות קליני.
    4. בדוק יחד את התצוגות הציריות, הקורונליות והסאגיטליות כדי לקבוע האם המבנה מייצג כלי דם ריאתיים.
    5. שנו את מסכת הסגמנטציה בהתאם לקונצנזוס המומחים.
    6. תעד אזורים שתוקנו לפני שמסכים את מסכת האמת הקרקעית.
  6. בצע אימות בין מערכים על ידי כך שלפחות שני מערכים עצמאיים יבדקו ויעבדו כל סגמנטציה. במקרה של אי הסכמה, יש להגיע להסכמה דרך דיון או בוררות.
    1. יש להקצות כל סריקת CT נבחרת לשני מערכנים עצמאיים בעלי ניסיון בניתוח דימות חזה.
    2. ודאו שהמערכים מבצעים סגמנטציה באופן עצמאי ועיוורים לתוצאות זה של זה.
    3. לאחר השלמת הערות בלתי תלויות, יש להשוות את מסכות הסגמנטציה באמצעות מדד חפיפה כמותית (למשל, מקדם דמיון דייס).
    4. זהה אזורי מחלוקת על ידי חישוב הבדלים בין ווקסלים בין מסכות.
    5. בדוק אזורים שונים יחד במישורים אקסיאליים, קורונליים וסגיטליים.
    6. להגיע להסכמה דרך דיון מובנה.
    7. אם המחלוקת נמשכת, יש לשלב בוחן בכיר שלישי שיברר את ההחלטה הסופית.
    8. שמרו את מסכת הסגמנטציה הקונצנזוס כתווית האמת הסופית לאימון המודלים.
  7. שמור את מסכות הכלים עם הערות באותה רזולוציה ומרחב כמו בתמונות ה-CT המקוריות. אחסן אותם בפורמט NIfTI תוך שימוש בקונבנציות שמות עקביות.
    1. ודאו שמסכת הסגמנטציה הסופית מאוחסנת כמפת תוויות בינארית, שבה הווקסלים הווסקולריים מקבלים ערך של 1 וווקסלים רקע מקבלים ערך של 0.
    2. אשר שמסכת הסגמנטציה שומרת על אותו מרווח ווקסלים, ממדים של התמונה, מוצא ומטריצת כיוון כמו תמונת ה-CT המעובדת מראש המתאימה.
    3. ייצא את מסכת הסגמנטציה בפורמט NIfTI (.nii או .nii.gz) באמצעות פונקציית הייצוא של תוכנת ההערות.
    4. השתמש בקונבנציה עקבית של שמות המבנית כך: SubjectID_Group_VesselMask.nii.gz; (למשל, CDH_012_VesselMask.nii.gz).
    5. אחסן את המסכות בתיקייה ייעודית במקביל למערך הנתונים של התמונה כדי לשמור על עקביות בזוגות.
    6. בצע אימות סופי על ידי טעינת תמונת ה-CT והמסכה המתאימה לאישור יישור מרחבי מושלם לפני אימון המודל.
  8. השתמשו בסגמנטלים המסומנים ידנית כבסיס לאימון והערכת המודלים.

3. אימון ואימות מודלים

  1. ארגן את מערך הנתונים לשלוש תתי-קבוצות: אימון, אימות וסטים של בדיקות. במחקר זה, השתמשו ב-35 מקרים ביקורתיים ו-20 מקרים של CDH לאימון, 5 מקרים בביקורת ו-10 מקרים של CDH לאימות, והשאירו את השאר לבדיקות עצמאיות.
    1. אסוף את כל תמונות ה-CT המעובדות מראש ואת מסכות הכלים הקונצנזוס המתאימות להן למערך נתונים אחד.
    2. בצע פיצול מערך נתונים ברמת המטופל כדי למנוע דליפת נתונים בין תת-קבוצות.
    3. הקצו באקראי 35 מקרים ביקורתיים ו-20 מקרים של CDH לקבוצת ההדרכה.
    4. הקצו באקראי 5 מקרים ביקורתיים ו-10 מקרים של CDH למערך הוולידציה.
    5. הקצו את כל המקרים הנותרים לקבוצת בדיקה עצמאית שלא ניגשת אליו במהלך אימון מודלים או כוונון היפרפרמטרים.
    6. ודאו שכל תמונת CT ומסכת הסגמנטציה המתאימה לה נשארות מזווגות לאורך כל תהליך הפיצול.
    7. אמת התפלגות מחלקות בכל תת-קבוצה כדי לשמור על ייצוג של מקרי ביקורת ו-CDH.
    8. תעד את ההקצאה הסופית של מזהי נושאים לשכפול.
  2. נרמול ערכי העוצמה של כל התמונות בין 0 ל-1 כדי לשפר את התכנסות רשתות העצבים במהלך האימון.
    1. עבור כל נפח CT, תחילה מגביל ערכי עוצמה לטווח יחידת הונספילד מוגדר מראש כדי להסיר חריגים קיצוניים.
    2. הפעילו חיתוך עוצמה כך שערכים מתחת ל-1000 HU מוגדרים ל-−1000 HU וערכים מעל 500 HU מוגדרים ל-500 HU.
    3. מבצעים נירמול מינימום-מקסימום באופן עצמאי לכל נפח באמצעות הטרנספורמציה הבאה: ערך מנורמל = (I − I_min) / (I_max − I_min), כאשר I_min ו-I_max מתאימים לערכי העוצמה המינימליים והמקסימליים של הנפח החתוך.
    4. החלו את הנרמול על נפח תלת-ממדי מלא באמצעות פעולות רכיב-רכיב בסביבת החישוב.
    5. ודאו שכל עוצמות הווקסלים נמצאות בתוך הפרק [0, 1] לפני הזנת הנתונים לרשת העצבית.
    6. ודא שפרמטרי הנרמול נגזרים באופן עצמאי לכל תמונה כדי למנוע דליפת מידע בין ערכות אימון, אימות ובדיקות.
  3. מימוש ארכיטקטורת רשת עצבית קונבולוציונית של U-Net באמצעות מסגרת למידה עמוקה כמו PyTorch או TensorFlow.
    1. צור פרויקט חדש בסביבת פיתוח למידה עמוקה וקבע זרע אקראי קבוע לשחזוריות.
    2. הגדר ארכיטקטורת U-Net דו-ממדית (איור 2) לסגמנטציה בינארית עם מבנה מקודד-מפענח ודילג על חיבורים.
    3. הגדר את קלט המודל כפרוסות CT חד-ערוציות (גווני אפור) והגדר את פלט המודל כמפת הסתברות חד-ערוציית המייצגת הסתברות כלי שיט.
    4. הגדר את השכבה הסופית כך שתשתמש בפונקציית הפעלה סיגמואיד ליצירת ערכים בטווח [0, 1].
    5. הגדר את פונקציית ההפסד עבור סגמנטציה בינארית (למשל, אנטרופיה צולבת בינארית) ואתחול אופטימייזר.
    6. ציין היפרפרמטרים של האימון, כולל גודל אצווה, מספר אפוקים וקצב למידה, ורשום ערכים אלו לדיווח.
    7. הכינו טועני נתונים להזנת מערכי האימון והאימות למודל עם ערבוב ואצווה עקביים.
    8. שמור את הגדרת המודל המלאה וקונפיגורציית ההיפרפרמטרים לשחזוריות.
  4. הגדר את המודל עם מבנה מקודד-מפענח, הכולל חיבורי דילוג ושכבות נרמול אצווה לשיפור דיוק הסגמנטציה.
    1. הגדר מקודד המורכב מבלוקים קונבולוציוניים חוזרים. ודאו שכל בלוק כולל:
      שתי שכבות קונבולוציה דו-ממדיות רצופות (גודל הגרעין 3 × 3, ריפוד = 1)
      נורמליזציה אצווה שהוטלה לאחר כל קונבולוציה
      הפעלה של יחידה ליניארית מתוקנת (ReLU)
    2. הפעילו 2 × 2 איגוד מקסימום עם צעד של 2 אחרי כל בלוק מקודד כדי להפחית בהדרגה את הרזולוציה המרחבית.
    3. כפול את מספר ערוצי הפיצ'ר לאחר כל שלב דגימה מופחתת.
    4. הגדר את המפענח באמצעות קונבולוציה טרנספוזיציה (2 × 2 קרנל, צעד 2) לדגימה מוגברת.
    5. מפות תכונות בשרשרת משכבת המקודד המתאימה לשכבת המפענח באמצעות חיבורים מדלגים כדי לשמר מידע מרחבי.
    6. יש להחיל שתי שכבות קונבולוציוניות עם נרמול אצווה והפעלה של ReLU לאחר כל שלב חיבור.
    7. השתמש בשכבת קונבולוציה סופית 1 × 1 כדי למפות תכונות לפלט בערוץ יחיד.
    8. החלו פונקציית הפעלה סיגמואידי ליצירת מפת הסתברות לפי ווקסלים לסגמנטציה של כלי הדם.
  5. הרכבת שלוש תצורות של הדגם:
    1. מודל בסיס (אימון מאפס)
      1. אתחול את משקלי U-Net באקראי (למשל, אתחול He).
      2. השתמש רק במאגר הנתונים של וריד העורק המוערך ידנית כקלט.
      3. שנה את גודל תמונות הקלט ל-512 × 512 פיקסלים.
      4. נרמול ערכי עוצמה לטווח [0,1].
      5. הגדר את גודל האצווה ל-8 (או המקסימום המותר על ידי זיכרון GPU).
      6. השתמש באופטימיזציה של אדם עם קצב למידה = 1 × 10⁻4.
      7. השתמש באנטרופיה חוצה בינארית (לסגמנטציה בינארית) או לאובדן אנטרופיה צולבת (לסיווג עורקים-ורידים).
      8. תאמן ל-30 אפוקים.
      9. עקבו אחרי אובדן אימות לאחר כל תקופה.
      10. שמור את משקלי המודל המתאימים לאובדן האימות הנמוך ביותר.
      11. ב-PyTorch, פעל לפי שלבים 3.5.1.13–3.5.1.14.
      12. הגדר אופטימייזר: torch.optim.Adam(model.parameters(), lr=1e-4)
      13. הגדר אובדן: torch.nn.BCEWithLogitsLoss() או torch.nn.CrossEntropyLoss()
      14. השתמשו ב-model.train() במהלך האימון וב-model.eval() במהלך האימות (validation).
    2. מודל סגמנטציה-קלט (קלט מסכת כלי עזר)
      1. שנו את שכבת הקלט כך שתקבל שני ערוצים:
        ערוץ 1: תמונת CT
        ערוץ 2: מסכת סגמנטציה של כלי דם בינאריים
      2. מחברים את תמונת ה-CT ומסכת הכלי לאורך ממדי התעלה לפני שמזינים אותם לרשת.
      3. שמור על הארכיטקטורה זהה למודל הבסיסי.
      4. השתמש באותו אופטימייזר, קצב למידה, גודל אצווה ומספר אפוק כמו בשלב 3.5.1.
      5. שמור את המשקלים הטובים ביותר בהתבסס על ציון האימות F1.
    3. מודל למידת העברה (אתחול מאומן מראש)
      1. טעין משקלים U-Net מאומנים מראש על בסיס מאגר נתונים כללי של סגמנטציה של כלי שיט (כפי שמתואר בדוח ההתקדמות).
      2. הקפאת שכבות המקודד בחמשת התקופות הראשונות (שלב ייצוב אופציונלי).
      3. שחרר את כל השכבות והמשך לכוונן לשאר התקופה.
      4. השתמש בקצב למידה מופחת = 5 × 10⁻5 במהלך כיוונון עדין.
      5. תאמן במשך 30 אפוקים בסך הכל.
      6. השתמש בהיפוך אופקי כהרחבת נתונים במהלך האימון.
      7. שמור את המודל עם ציון האימות הגבוה ביותר ב-F1.
  6. השתמש באובדן אנטרופיה בינארית ובאופטימיזר אדם עם קצב למידה התחלתי של 0.001. הפחת את קצב הלמידה באופן אדפטיבי אם אובדן האימות מגיע.
    1. הגדרת פונקציית ההפסד
      1. לפיצול כלי שיט בינארי, השתמש באובדן אנטרופיה בינארית עם לוגיט.
      2. ב-PyTorch, הגדיר: criterion = torch.nn.BCEWithLogitsLoss()
      3. אם מבצעים סיווג רב-מחלקתי-של ורידי עורקים, השתמשו ב: criterion = torch.nn.CrossEntropyLoss()
    2. הגדרת האופטימיזציה
      1. השתמש באופטימיזציה של אדם עם קצב למידה התחלתי של 0.001.
      2. ב-PyTorch: אופטימיזר = torch.optim.Adam(model.parameters(), lr=0.001)
    3. אפשר הפחתת קצב למידה אדפטיבית
      1. הטמיעו מתזמן קצב למידה כדי להפחית את קצב הלמידה כאשר אובדן האימות מפסיק להשתפר.
      2. השתמש במתזמן ReduceLROnPlateau.
      3. ב-PyTorch: מתזמן = torch.optim.lr_scheduler. ReduceLROnPlateau(
        אופטימייסר,
        mode='min',
        פקטור=0.5,
        סבלנות=5,
        verbose=נכון
        )
      4. לאחר כל שלב אימות, התקשר: scheduler.step(validation_loss)
    4. תצורת לולאת אימון.
      1. לכל תקופה, עקוב אחר שלבים 3.6.4.2–3.6.4.7:
      2. להגדיר מודל למצב אימון: model.train()
      3. בצע מסירה קדימה.
      4. חשב אובדן.
      5. הפצה חוזרת: loss.backward()
      6. עדכוני משקלים: optimizer.step()
      7. אפס גרדיאנטים לפני האיטרציה הבאה: optimizer.zero_grad()
      8. לאחר שלב האימון, עברו למצב הערכה באמצעות model.eval() וחישבו אובדן אימות.
    5. עצירה מוקדמת (אופציונלית אך מומלץ)
      1. אם אובדן האימות לא משתפר במשך 10 תקופות רצופות, הפסיקו את האימון כדי למנוע התאמת יתר.
  7. יישמו טכניקות הגדלת נתונים כגון סיבובים אקראיים, היפוכים ועיוותים אלסטיים כדי להגדיל עמידות ולהפחית התאמת יתר.
    1. הגדרת צינור הרחבה
      1. החלו שדרוגים רק על מאגר הנתונים של האימון.
      2. החלו טרנספורמציות מרחביות זהות הן על תמונת ה-CT והן על מסכת הסגמנטציה המתאימה לה.
    2. סיבובים אקראיים.
      1. הפעילו סיבובים אקראיים במישור בין -15° ל-+15°.
      2. ב-PyTorch (באמצעות Torchvision או Albumentations): RandomRotation(degree=15)
    3. היפוכים אופקיים ואנכיים.
      1. יש להניח היפוך אופקי עם הסתברות p = 0.5.
      2. יש להחיל היפוך אנכי עם הסתברות p = 0.5 (אם זה מקובל אנטומית).
    4. עיוות אלסטי.
      1. יישם טרנספורמציה אלסטית כדי לדמות שונות אנטומית.
      2. השתמש בפרמטרים קטנים של עיוות כדי למנוע עיוות לא מציאותי.
    5. דוגמה ליישום (PyTorch + Albumentations)
      1. הגדר צינור טרנספורמציה לפני ההכשרה:
        transform = A.compose([
        A. סיבוב (limit=15, p=0.5),
        A.HorizontalFlip(p=0.5),
        A.ElasticTransform(alpha=1, sigma=50, alpha_affine=10, p=0.3)
        ])
      2. החלו טרנספורמציה בתוך שיטת מערך הנתונים __getitem__() כדי להבטיח טרנספורמציה מסונכרנת של התמונה והמסכה.
    6. מערכות אימות ובדיקות
      1. אל תיישם הרחבה על מאגרי אימות או בדיקה.
      2. השתמש רק בנרמול ובשינוי גודל עבור הקבוצות האלה.
    7. בקרת איכות.
      1. בדקו ויזואלית דגימות מורחבות לפני האימון כדי לוודא סבירות אנטומית.
      2. ודאו שהמסכות נשארות מיושרות עם התמונות המומרשות.
  8. לאמן את המודל למספר קבוע של תקופות או עד להתכנסות, תוך ניטור ביצועי קבוצת האימות לאחר כל תקופה.
    1. הגדרת משך האימון
      1. הגדר את מספר המקסימום של תקופות האימון ל-30.
      2. חלופה נוספת היא להמשיך באימון עד שקריטריוני ההתכנסות מתקיימים (ראו עצירה מוקדמת למטה).
    2. לולאת אימון
      1. לכל תקופה, עקבו אחר שלבים 3.8.2.2–3.8.2.10:
      2. הגדר את המודל למצב אימון: model.train()
      3. עברו על כל הקבוצות הקטנות בערכת האימון.
      4. טען אצווה של תמונות CT ומסכות מתאימות.
      5. בצע מסירה קדימה.
      6. מחשב אובדן באמצעות פונקציית ההפסד המוגדרת.
      7. גרדיאנטים של הפצה חוזרת: loss.backward()
      8. עדכון משקלי המודל: optimizer.step()
      9. איפוס גרדיאנטים לפני המחזור הבא: optimizer.zero_grad()
      10. חשב את ממוצע אובדן האימון לתקופה.
    3. שלב אימות (לאחר כל תקופה)
      1. מעבר למודל למצב הערכה: model.eval()
      2. בטל חישוב גרדיאנט: עם torch.no_grad():
      3. עברו איטרציה על מאגר הנתונים של הוולידציה.
      4. בצע מסירה קדימה.
      5. חישב אובדן אימות.
      6. חישוב מדדי ביצועים (ציון F1, דיוק, רגישות, ציון DICE).
      7. רשומים, אובדן אימות ומדדים.
    4. התאמת קצב הלמידה
      1. עדכן את המתזמן לאחר שלב האימות: scheduler.step(validation_loss)
    5. קריטריוני התכנסות
      1. להפסיק את האימון אם אובדן האימות לא משתפר במשך 10 תקופות רצופות (הפסקה מוקדמת), או אם מדדי הביצועים מגיעים לקיפאון.
    6. נקודת ביקורת מודל
      1. שמור את משקלי המודל בכל פעם שציון האימות F1 משתפר.
      2. שמור על המודל הביצועי הטוב ביותר להערכה הסופית של קבוצת הבדיקה.
    7. כריתת עצים
      1. שמור ערכי אימון ואימות אובדן לכל תקופה.
      2. שרטט עקומות למידה (אובדן לעומת תקופה) כדי לאמת התנהגות התכנסות.
  9. בחר את המודל בעל הביצועים הטובים ביותר בהתבסס על הציון הגבוה ביותר ב-F1 במאגר הנתונים של האימות.
    1. מעקב מדדי אימות
      1. לאחר כל תקופה, חשב את ציון F1 במאגר הנתונים של האימות.
      2. שמרו את ציון ה-F1 יחד עם מספר התקופה המתאים.
    2. השוואת מודלים
      1. השווה ציוני אימות F1 בכל התקופות.
      2. זהה את התקופה שהשיגה את ציון האימות הגבוה ביותר ב-F1.
    3. נקודת ביקורת מודל
      1. במהלך האימון, שמור משקלים של מודל בכל פעם שציון האימות F1 משתפר.
    4. בחירת דגם סופית
      1. לאחר סיום האימון, טענו את המשקולות המתאימים לציון האימות הגבוה ביותר ב-F1:
        model.load_state_dict(torch.load("best_model.pth"))
    5. בדיקות עצמאיות
      1. הערך את המודל הנבחר רק פעם אחת במאגר הבדיקה העצמאי.
      2. אל תשתמש בביצועי סט בדיקה לבחירת מודל.
    6. שכפול
      1. רשמו את מספר התקופה הנבחר ואת מדדי האימות המתאימים.
      2. תקן seed אקראי כדי להבטיח שחזוריות.
  10. שמור את המשקלים והתצורות של המודל המאומן למשימות סגמנטציה במורד הזרם.

4. סגמנטציה ושלד

  1. טען את מודל U-Net המאומן והחלו אותו על סריקות CT מעובדות מראש בסט הבדיקה העצמאי.
  2. לכל סריקה, יש ליצור מסכת סגמנטציה בינארית של כלי הדם הריאתיים על ידי יישום סף על התפוקה ההסתברותית של המודל.
  3. בדקו ויזואלית את תוצאות הסגמנטציה כדי לאשר סבירות אנטומית, במיוחד באזורים המושפעים מעיוות שנגרם על ידי CDH.
  4. המרו את המסכות הבינאריות התלת-ממדיות המחולקות לייצוגים שלדיים באמצעות אלגוריתם דילול תלת-ממדי שמיושם בתוכנה.
  5. יש לסמן את שלד כלי הדם באמצעות אלגוריתם חיפוש רוחב-תחילה, תוך סימון הגזע הריאתי כנקודת השורש והקצאת רמות הדור לכל ענף בהתאם לקישוריות.
  6. הסר רכיבים קטנים ומנותקים או ענפים שגויים שככל הנראה נובעים מרעש או שגיאות סגמנטציה, תוך שימוש בגודל ווקסל מינימלי או סף אורך ענף.
  7. שמור את המבנים השלדיים בפורמטים תלת-ממדיים או תואמים לגרף (למשל, VTK או SWC) לניתוח מורפומטרי נוסף.

5. חילוץ תכונות מורפומטריות

  1. טען את גרפים וסקולריים שלדיים שנוצרו מתמונות ה-CT המחולקות.
  2. זהה את כל הענפים הבודדים על ידי חציית מבנה הגרף בין נקודות פיצול לצמתים סופיים.
  3. חשב את מספר הענפים הכולל על ידי סכימת כל המקטעים שזוהו בתוך גרף כלי הדם.
  4. מחשבים את אורך כל ענף על ידי סכימת המרחקים האוקלידיים בין ווקסלים מחוברים לאורך השלד.
  5. קבעו את אורך הענף הממוצע על ידי ממוצע אורך כל הענפים בכל שלד של הנבדק.
  6. הקצה רמות דור לכל ענף, החל מהעורק הריאתי הראשי כדור 0 וגדל באחת בכל פיצול באמצעות מעבר רוחב-ראשון.
  7. חשב את המספר המקסימלי של יצירות מרוחקות על ידי זיהוי המסלול הארוך ביותר מצומת השורש לכל ענף סופי.
  8. חשב את מספר היוצרים המקסימלי על ידי זיהוי המסלול הארוך ביותר מכל ענף היקפי חזרה לשורש.
  9. אחסן את כל התכונות המורפומטריות בגיליון אלקטרוני מובנה או בפורמט מסד נתונים (למשל, CSV או SQL) עם מזהי נושאים, קבוצת אבחון ומדדים שהופצו.
  10. בדוק ויזואלית תת-קבוצה של גרפים של שלד ותכונות מורפומטריות מתאימות כדי לאשר דיוק וסבירות ביולוגית.

6. ניתוח סיווג

  1. ייבא את מערך הנתונים המובנה המכיל תכונות מורפומטריות (למשל, סך כל ספירת הענפים, אורך הענף הממוצע, עומק יצירה דיסטלי ופרוקסימלי) ותוויות אבחון מתאימות (CDH או בקרה).
  2. חלק את מערך הנתונים לקבוצות אימון ובדיקות באמצעות דגימה שכבתית לשמירת התפלגות המחלקות.
  3. יישם מסווגי יער אקראי ועץ החלטות באמצעות ספריית למידת מכונה סטנדרטית.
  4. הגדר פרמטרי מודל כגון מספר האומדנים (למשל, 100 עצים ליער אקראי) ועומק מקסימלי בהתבסס על ביצועי אימות צולב.
  5. הדרכו כל מסווג באמצעות תת-קבוצת האימון של הנתונים.
  6. העריך את ביצועי הסיווג על מבחן ההחזקה תוך שימוש בדיוק כמדד עיקרי.
  7. יצר מטריצות בלבול כדי להעריך שיעורי חיוביים אמיתיים, שליליים אמיתיים, חיוביים שגויים ושגויים לזיהוי CDH.
  8. השווה את ביצועי מסווגי יער אקראי ועץ החלטות, ובחר את המודל עם הדיוק הגבוה ביותר לדיווח על תוצאות מייצגות.
  9. הצג תוצאות סיווג באמצעות תרשימי עמודות, עקומות ROC או עצי החלטה אם רלוונטיים, ושמור את הפלטים להכללה באיורים.
  10. תעד את כל פרמטרי המודל, מדדי הביצועים וכל עיבוד מוקדם המיושם על הנתונים כדי להבטיח שחזוריות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

מודל הלמידה העמוקה שאומן בלמידת העברה השיג את ביצועי הסגמנטציה הגבוהים ביותר מכל התצורות, עם דיוק של 0.714, רגישות של 0.706, וציון F1 של 0.672 בסט הבדיקה העצמאי. מודל הבסיס שאומץ מאפס הראה ביצועים מופחדים (דיוק: 0.703, רגישות: 0.589, ציון F1: 0.551), בעוד שמודל קלט הסגמנטציה ביצע ביצועים מתונים (ציון F1: 0.630).

לאחר סגמנטציה, ניתוח מורפומטרי חשף ירידה משמעותית במורכבות כלי הדם אצל חולי CDH בהשוואה לביקורת (טבלה 1). באופן ספציפי, המספר הכולל ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מספר שלבים בפרוטוקול זה קריטיים להשגת תוצאות מדויקות וניתנות לשחזור. שלב העיבוד המוקדם של התמונה חייב להיות מבוצע בקפידה, במיוחד בהמרה ליחידות Hounsfield ויישום חלונות (WL = -400 HU, WW = 1500 HU), שכן פרמטרים אלו קובעים את נראות המבנים הוסקולריים 14,15,16,17. שלד גם דורש כיוון מדויק של פרמטרים כדי למנוע ענפים שגויים או רכיבים מנותקים שעלולים להטות מדידות מורפו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין גילויים פיננסיים להצהיר.

תודות

אמרה איידין נתמך על ידי המועצה למחקר מדעי וטכנולוגי של טורקיה (TÜBİTAK) 2219 תוכנית מלגת מחקר פוסט-דוקטורט בינלאומית לאזרחים טורקים (1059B191501313). אסליגול אקסן ומוסטפא אקרם ארקן נתמכו על ידי המועצה למחקר מדעי וטכנולוגי של טורקיה (TÜBİTAK) 2209-A - תוכנית תמיכה בפרויקטים מחקריים לסטודנטים לתואר ראשון.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
ניתוח 12.0AnalyzeDirecthttps://analyzedirect.com/משמש לסקירת תמונות CT, עריכה ומדידות
נתוני סריקת CT (סריקות חזה לאחר לידה)ארכיון מוסדילא זמיןמאגר נתונים רטרוספקטיבי של יילודים CDH וביקורת
DCM2NIIXקוד פתוח (GitHub)https://github.com/rordenlab/dcm2niixהמרת פורמט DICOM לפורמט NIfTI
ITK-SNAPקוד פתוח (http://www.itksnap.org)http://www.itksnap.orgכלי תיאטרון לתמונות רפואיות תלת-ממדיות
NetworkXקוד פתוחhttps://networkx.orgמשמש לניתוח עצים וסקולריים מבוססי גרף
OpenCV (פונקציית CLAHE)קוד פתוחhttps://opencv.orgמשמש לשיפור ניגודיות התמונה
פנדה, נומפיקוד פתוחhttps://pandas.pydata.org, https://numpy.orgניהול נתונים ותפעול נומרי
פייתון 3.8+קרן התוכנה של פייתוןhttps://www.python.orgשפת תכנות לניתוח ופיתוח מודלים
PyTorch 1.13+מטא AIhttps://pytorch.orgמסגרת למידה עמוקה ליישום U-Net
סקיקיט-imageקוד פתוחhttps://scikit-image.orgספריית עיבוד תמונה המשמשת לשלד
Scikit-learnקוד פתוחhttps://scikit-learn.orgספריית למידת מכונה לסיווג
אובונטו 20.04 LTSקנוניhttps://ubuntu.comמערכת ההפעלה המשמשת בכל העיבוד
תחנת עבודה עם כרטיס מסך NVIDIA RTX 3090NVIDIAhttps://www.nvidia.comנדרש לאימון מודלים של למידה עמוקה

מקורות

  1. Keijzer, R., et al. Dual-hit hypothesis explains pulmonary hypoplasia in the nitrofen model of congenital diaphragmatic hernia. Am J Pathol. 156 (4), 1299-1306 (2000).
  2. Aydin, E., et al. The survivorship bias in congenital diaphragmatic hernia. Children. 9 (2), 218(2022).
  3. Harting, M. T. Congenital diaphragmatic hernia-associated pulmonary hypertension. Semin Pediatr Surg. 26 (3), 147-153 (2017).
  4. Kool, H., et al. Pulmonary vascular development goes awry in congenital lung abnormalities. Birth Defects Res C Embryo Today. 102 (4), 343-358 (2014).
  5. Leeuwen, L., Fitzgerald, D. A. Congenital diaphragmatic hernia. J Paediatr Child Health. 50 (9), 667-673 (2014).
  6. Aydin, E., et al. Optimization of pulmonary vasculature tridimensional phenotyping in the rat fetus. Sci Rep. 9 (1), 1244(2019).
  7. Aydin, E., et al. Pulmonary vasculature development in congenital diaphragmatic hernia: a novel automated quantitative imaging analysis. Pediatr Surg Int. 40 (1), 1244(2024).
  8. Memon, N. A., Mirza, A. M., Gilani, S. A. M. Segmentation of lungs from CT scan images for early diagnosis of lung cancer. World Acad Sci Eng Technol. 20, 1050-1055 (2008).
  9. Fetita, C., Brillet, P. Y., Preteux, F. J. Morpho-geometrical approach for 3D segmentation of pulmonary vascular tree in multi-slice CT. Proceedings of SPIE - The International Society for Optical Engineering. , (2009).
  10. Orkisz, M., et al. Segmentation of the pulmonary vascular trees in 3D CT images using variational region-growing. IRBM. 35 (1), 11-19 (2014).
  11. Fabijanska, A. Segmentation of pulmonary vascular tree from 3D CT thorax scans. Biocybern Biomed Eng. 35 (2), 106-119 (2015).
  12. Zhai, Z., Staring, M., Stoel, B. C. Lung vessel segmentation in CT images using graph-cuts. , SPIE Medical Imaging. San Diego, California, United States. (2016).
  13. Khanna, A., Londhe, N. D., Gupta, S. Detection of pulmonary vessels in 3D lung CT using improved graph cut. 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN), Noida, India, , (1109).
  14. DenOtter, T. D., Schubert, J. Hounsfield Unit. , StatPearls Publishing. Treasure Island, FL. (2023).
  15. Detection and classification of brain hemorrhage based on Hounsfield values and convolution neural network technique. Phan, A. C., Nguyen, T. M. N., Phan, T. C. 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), Danang, Vietnam, , (2019).
  16. Xue, Z., et al. Window classification of brain CT images in biomedical articles. AMIA Annu Symp Proc. 2012, 1023-1029 (2012).
  17. Contrast-limited adaptive histogram equalization: speed and effectiveness. Pizer, S. M., et al. Proceedings of the First Conference on Visualization in Biomedical Computing, Atlanta, GA, USA, , (1990).
  18. Moccia, S., De Momi, E., El Hadji, S., Mattos, L. S. Blood vessel segmentation algorithms – Review of methods, datasets and evaluation metrics. Comput Methods Programs Biomed. 158, 71-91 (2018).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

U NetSkeletonization
הסרטון יגיע בקרוב
צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.