יישום של פילוח תמונות רפואיות מבוססות למידה עמוקה באמצעות טומוגרפיה ממוחשבת מסלולית

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.