Applicazione della segmentazione delle immagini mediche basata sul deep learning tramite tomografia computerizzata orbitale

In questo studio abbiamo introdotto il protocollo di segmentazione degli oggetti per le immagini di tomografia computerizzata orbitale. È il primo processo al mondo. Utilizzando questo programma, è possibile eseguire il mascheramento su qualsiasi parte anatomica facilmente dove si desidera.

Visualizza e consente di risparmiare tempo e fatica. Speriamo che questo studio possa essere una pietra miliare per la diagnosi delle malattie orbitarie, che sono difficili per la biopsia. Inizia eseguendo il programma software di mascheramento.

Per caricare il CT orbitale, fare clic sull'icona Apri file e selezionare il file CT di destinazione. Per mascherare il bulbo oculare, il nervo ottico e i muscoli extraoculari utilizzando i superpixel, eseguire SmartPencil facendo clic sulla procedura guidata SmartPencil in MediLabel. Quindi, controlla la risoluzione della mappa dei superpixel, se necessario, e fai clic sul gruppo di superpixel del bulbo oculare, dei muscoli extraoculari e del nervo ottico sulla mappa dei superpixel, dove sono raggruppati pixel con valori di intensità dell'immagine simili.

Per perfezionare le maschere, fare clic sulla procedura guidata SmartFill dopo aver mascherato alcuni dei superpixel sulle sezioni, quindi fare clic sull'icona Correzione automatica e assicurarsi che le etichette delle maschere corrette siano calcolate. Una volta completato il perfezionamento del mascheramento, salvate le immagini mascherate. Eseguire lo script Python per la pre-elaborazione e controllare le scansioni e le maschere che vengono ritagliate e salvate nella cartella VOIs.

Eseguire lo script Python del generatore di sequenze per trasformare i VOI in un set di tre sezioni CT sequenziali da utilizzare come input per la sequenza U-Net. Controllare le scansioni CT e le maschere salvate e trasformate rispettivamente nella cartella di scansione e nella cartella delle maschere e nelle cartelle pre-elaborate. Per compilare il modello di segmentazione orbitale, eseguire lo script Python main.

py e dare i numeri di piega. Impostare l'epoca, ovvero il numero di iterazioni di addestramento, e impostare la dimensione del batch, ovvero il numero di campioni di training in una singola sessione di training. Lo script principale.

py può essere eseguito senza i parser, nel qual caso viene eseguito con valori predefiniti. Esegui il test del modello dopo l'addestramento e calcola le metriche di valutazione come il punteggio dei dadi e la somiglianza del volume. Infine, controlla i risultati salvati come file immagine.

La segmentazione del bulbo oculare utilizzando la sequenza U-Net per la segmentazione della struttura orbitale ha raggiunto una somiglianza visiva o punteggio VS di 0,83 e un punteggio di dadi elevato di 0,86 perché aveva una grande porzione di VOI e poca eterogeneità tra le scansioni TC. Un punteggio di dadi basso di 0,54 è stato raggiunto per la segmentazione dei muscoli extraoculari e 0,34 per il nervo ottico, perché raramente apparivano nel volume TC e si trovavano in un numero relativamente piccolo di fette TC. Tuttavia, i punteggi di somiglianza visiva dei muscoli extraoculari e del nervo ottico erano più alti dei loro punteggi dei dadi, il che indica che la specificità della segmentazione era bassa.

Nel complesso, la segmentazione di tutte le sottostrutture orbitali ha raggiunto un punteggio di dadi di 0,79 e un punteggio di somiglianza visiva di 0,82. A seconda dell'applicazione, la dimensione di VOI e il livello di ritaglio della finestra possono variare. È possibile modificare il codice del generatore di sequenze per altri grandi scopi.

Inoltre, è possibile modificare gli iperparametri per il training del modello. Il modello è stato addestrato con 46 VOI, che non è un numero elevato per l'addestramento del modello. Per superare le basse prestazioni dovute al numero limitato di set di dati di addestramento, è possibile applicare l'apprendimento del trasferimento e la notazione del dominio.