יישום של פילוח תמונות רפואיות מבוססות למידה עמוקה באמצעות טומוגרפיה ממוחשבת מסלולית
30 בנובמבר 2022
פרוטוקול סגמנטציה של אובייקטים עבור תמונות טומוגרפיה ממוחשבת מסלולית (CT) מוצג. השיטות לתיוג האמת הקרקעית של מבנים מסלוליים באמצעות רזולוציית-על, חילוץ נפח העניין מתמונות CT, ומידול סגמנטציה מרובת תוויות באמצעות U-Net רציף דו-ממדי עבור תמונות CT מסלוליות מוסברות ללמידה מפוקחת.
במחקר זה הצגנו את פרוטוקול פילוח האובייקטים עבור תמונות טומוגרפיה ממוחשבת מסלולית. זהו המשפט הראשון בעולם. באמצעות תוכנית זו, אתה יכול לעשות מיסוך על כל חלק אנטומיה בקלות איפה שאתה רוצה.
זה מדמיין וחוסך את הזמן והמאמץ שלך. אנו מקווים שמחקר זה יכול להיות אבן פינה לאבחון מחלות מסלוליות, הקשות לביופסיה. התחל בהפעלת תוכנת המיסוך.
כדי לטעון את ה- CT המסלולי, לחץ על סמל הקובץ הפתוח ובחר את קובץ ה- CT היעד. כדי להסוות את גלגל העין, עצב הראייה והשרירים החוץ-עיניים באמצעות פיקסלים-על, הפעל את SmartPencil על-ידי לחיצה על אשף SmartPencil ב-MediLabel. לאחר מכן, שלוט ברזולוציה של מפת הסופר-פיקסלים, במידת הצורך, ולחץ על אשכול הסופר-פיקסלים של גלגל העין, השרירים החוץ-עיניים ועצב הראייה במפת הסופר-פיקסלים, שם מקובצים פיקסלים בעלי ערכי עוצמת תמונה דומים.
כדי לחדד את המסיכות, לחץ על אשף המילוי החכם לאחר מיסוך חלק מהפיקסלים על הפרוסות, ולאחר מכן לחץ על סמל התיקון האוטומטי, וודא שתוויות המסיכה המתוקנות מחושבות. לאחר השלמת העידון של המיסוך, שמור את התמונות עם המסיכה. הפעל את סקריפט Python לעיבוד מקדים, ובדוק את הסריקות והמסכות שנחתכו ונשמרו בתיקיית VOIs.
הפעל את סקריפט Python של בונה הרצף כדי להפוך את ה- VOIs לקבוצה של שלוש פרוסות CT עוקבות לשימוש כקלט עבור רצף U-Net. בדוק את סריקות ה- CT והמסיכות שנשמרו והשתנו בתיקיית הסריקה ובתיקיית המסיכה ובתיקיות המעובדות מראש בהתאמה. כדי לבנות את מודל הסגמנטציה המסלולית, הפעל את הסקריפט Python הראשי.
py ולתת את מספרי הקיפול. הגדר את התקופה, שהיא מספר איטרציות האימון, וקבע את גודל האצווה, שהוא מספר דוגמאות האימון באימון יחיד. התסריט הראשי.
py יכול לפעול ללא המנתחים, ובמקרה זה, הוא פועל עם ערכי ברירת מחדל. בצע את בדיקת המודל לאחר האימון, וחשב את מדדי ההערכה כגון ציון קוביות ודמיון נפח. לבסוף, בדוק את התוצאות שנשמרו כקבצי תמונה.
סגמנטציית גלגל העין באמצעות רצף U-Net לסגמנטציה של מבנה מסלולי השיגה דמיון חזותי או ציון VS של 0.83 וציון קוביות גבוה של 0.86 מכיוון שהיה לה חלק גדול מה- VOIs וההטרוגניות הקטנה בין סריקות CT. ציון קוביות נמוך של 0.54 הושג עבור סגמנטציה של השרירים החוץ-עיניים, ו-0.34 עבור עצב הראייה, מכיוון שהם הופיעו לעתים רחוקות בנפח ה-CT ונמצאו במספר קטן יחסית של פרוסות CT. עם זאת, ציוני הדמיון החזותי של השרירים החוץ-עיניים ועצב הראייה היו גבוהים יותר מציוני הקוביות שלהם, מה שמצביע על כך שהספציפיות של הסגמנטציה הייתה נמוכה.
בסך הכל, הפילוח של כל תת-המבנים המסלוליים השיג ציון קוביות של 0.79 וציון דמיון חזותי של 0.82. בהתאם ליישום, גודל ה- VOI ורמת חיתוך החלון יכולים להשתנות. אתה יכול לשנות את קוד בונה הרצף למטרות נהדרות אחרות.
כמו כן, hyperparameters עבור אימון המודל ניתן לשנות. המודל אומן עם 46 VOIs, וזה לא מספר גדול לאימון מודל. כדי להתגבר על הביצועים הנמוכים בשל המספר הקטן של מערכי נתוני אימון, ניתן ליישם למידת העברה וסימון תחום.
סקירה כללית
מחקר זה מציג פרוטוקול לסגמנטציית אובייקטים בתמונות computed tomography (CT) של המגלמא, המקל על מיסוך של מבנים אנטומיים. הפרוטוקול נועד לשפר את האבחנה של מחלות של המגלמא, שביצוע ביופסיה עבורן הוא מאתגר.
מרכיבי מפתח של המחקר
תחום המדע
- מדעי העצבים
- דימות רפואי
- ראייה ממוחשבת
רקע
- מחלות מסביב העין (Orbital diseases) מחייבות לעיתים קרובות שיטות אבחון לא פולשניות.
- דימות CT הוא כלי בעל ערך להדמיה של מבני העין.
- שיטות סגמנטציה קיימות מוגבלות בדיוקן ובביעולן.
- טכניקות רזולוציה-על (Super-resolution) יכולות לשפר את איכות התמונה לצורך סגמנטציה טובה יותר.
מטרת המחקר
- פיתוח פרוטוקול לסגמנטציה מדויקת של מבנים אורביטליים בדימויי CT.
- ייעול תהליך המסיכה (masking) של חלקים אנטומיים לצורך ניתוח.
- מתן תשתית למחקרים עתידיים באבחון של מחלות אורביטליות.
שיטות שנעשה בהן שימוש
- שימוש ברזולוציה-על (super-resolution) לסימון האמת של המבנים המסלוליים (ground truth).
- חילוץ נפח עניין (VOI) מתמונות CT.
- הטמעה של מודל U-Net דו-ממדי סדרתי לסגמנטציה רב-תוויות.
- הערכת ביצועי הסגמנטציה באמצעות מדדים כגון מדד דייס (dice score) ודמיון ויזואלי.
תוצאות עיקריות
- הושג ציון דמיון חזותי של 0.83 וציון dice של 0.86 עבור סגמנטציה של גלגל העין.
- ציוני dice נמוכים יותר של 0.54 עבור שרירים חוץ-עיניים ו-0.34 עבור העצב האופטי, בשל הופעות מוגבלות בסריקות CT.
- סגמנטציה כללית של תת-מבני המערכת העינית הניבה ציון dice של 0.79.
- התוצאות מצביעות על פוטנציאל לשיפור הדיוק האבחנתי במחלות של מערכת העין.
מסקנות
- הפרוטוקול שפותח משפר את היעילות של סגמנטציה של מבנה המסלול (orbital structure).*
- ייתכן שיהיה צורך בלמידה בהעברה (transfer learning) כדי לשפר את ביצועי המודל כאשר נתוני האימון מוגבלים.
- מחקר זה מניח את התשתית להתקדמויות עתידיות באבחון לא פולשני של המסלול.
שאלות נפוצות
רלוונטיות תעשייתית לדרג הניהולי
סגמנטציה (פילוח) של תצלומי CT של המערכת האורביטלית המבוססת על למידה עמוקה מאפשרת תיחום מדויק וניתן לשחזור של מבנים אנטומיים קריטיים, ובכך תומכת בגילוי מוקדם ובמחקר תרגומי של הפרעות אופתלמיות ונוירו-אופתלמיות. סגמנטציה אוטומטית בעלת נאמנות גבוהה מאיצה את הפיתוח של מודלים רלוונטיים למחלה ושל סממנים ביולוגיים (biomarkers) של דימות כמותי, ובכך מפחיתה את נטל הסימון הידני ומגבירה את הביטחון החזוי בזרימות עבודה של דימות פרה-קליני. יכולת זו מחזקת את קבלת ההחלטות לגבי תיק פיתוחים על ידי אספקת נקודות קצבי דימות סטנדרטיות וניתנות להרחבה לצורך תיקוף מטרות והפחתת סיכונים מכניסטיים.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- סגמנטציה אוטומטית מאפשרת כימות אובייקטיבי של מבנים אורביטליים לצורך בדיקת השערות.
- תומכת בתיקוף של מטרות תפקודיות באמצעות אספקת תוצאי דימות הניתנים לשחזור.
- מסייעת בהפחתת סיכונים מכניסטיים באמצעות הגדרה אנטומית מדויקת.
- משפרת את הביטחון החזוי במחקרים אופתלמולוגיים בשלבים מוקדמים.
סריקה ופיתוח בדיקה
- מספק מסכות באיכות גבוהה ומאומתות עבור תהליכי עבודה של ניתוח תמונות בשלבים הבאים.
- מנstandardize פלטי סגמנטציה, ובכך תומך בהדירות ובמדרגיות של הבדיקה.
- מאפשר הערכה כמותית של השפעות תרכובות על האנטומיה האורביטלית.
- מכין סטים של נתונים עבור סריקה חסונה ושימוש חוזר בפלטפורמה.
מחקר תרגומי ופרה-קליני
- מתאים את נקודות הסיום של הדמיון למאפיינים אנטומיים הרלוונטיים למחלה.
- מבטיח רציפות מדמיון שלב הגילוי למחקרי תיקוף פרה-קליניים.
- תומך בקידום מותאם סיכונים על ידי אספקת ביומרקרים של דמיון כמותיים וניתנים לשחזור.
- מעצים את הביטחון התרגומי בנקודות קבלת החלטות מבוססות דמיון.
שילוב תהליכי עבודה וצינור עיבוד
פרוטוקול סגמנטציה זה משתלב ברצף הגילוי בדימות, החל מבדיקת השערות מוקדמת, דרך פיתוח מודלים פרה-קליניים ועד לתיקוף של ביומרקרים תרגומיים.
- ביולוגיית גילוי: מאפשרת בדיקה קפדנית של השערת האפס על ידי בידוד וכימות של מבנים מסלוליים ספציפיים.
- סריקה: מספקת מסכות סגמנטציה סטנדרטיות וניתנות לשחזור לצורך ניתוח תמונות בסריקה רחבה (high-throughput).
- אנליטיקה: מפיקה מדדים כמותיים כגון dice score ודמיון חזותי לצורך השוואה בין תנאים שונים.
- מחקר תרגומי: מקשרת בין דימות גילוי לבין נקודות סיום פרה-קליניות על ידי התאמת פלטי הסגמנטציה לאנטומיה רלוונטית למחלה.
- שימוש חוזר ארגוני: מציעה פרוטוקול ניתן להרחבה ולשינוי, הניתן להסתגלות לאזורים אנטומיים אחרים ולשיטות דימות שונות.
השפעה תפעולית ואורגנית
- ערך מדעי: מגביר את הביטחון בניבוי ומפחית עמימות בתיקוף מטרות מבוסס דימות.
- ערך תפעולי: מייעל את התהליך של מתן הערות (annotation), משפר את השחזוריות ותומך בזרימות עבודה של דימות הניתנות להרחבה.
- ערך אסטרטגי: משפר החלטות של "המשך/עצור" (go/no-go) ויעילות הון באמצעות אספקת נקודות סוף (endpoints) חסונות לדימות.
- השפעה על הפורטפוליו: מאפשר תיעדוף מותאם סיכונים וקידום של תוכניות מונחות דימות.
שיקולי יישום
- דורש מומחיות בלמידה עמוקה (deep learning), ניתוח דימויים רפואיים וניהול זרימות עבודה מבוססות Python.
- נדרשת גישה לנתוני דימויי CT באיכות גבוהה ותשתית מחשוב לאימון והערכה של המודל.
- דורש סטנדרטיזציה בין-צוותית של פרוטוקולי כימות (annotation) ומדדי הערכה.
- ניתן להתאמה לאזורים אנטומיים אחרים באמצעות שינוי של שלבי העיבוד המקדים ופרמטרי המודל.
- הביצועים עשויים להיות מוגבלים על ידי גודל סט נתוני האימון; למידה בהעברה (transfer learning) יכולה להפחית את השפעת המחסור בנתונים.
שאלות נפוצות בנושא ביו-פארמה
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
