이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

딥러닝을 이용한 선천성 횡격자 탈장의 폐혈관 자동 정량 분석

112 조회수

⸱

DOI:

10.3791/70428

⸱

2026년 5월 8일

 ,  ,  ,  , 
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

이 논문에서

요약

이 프로토콜은 신생아 CT 스캔에서 폐혈관을 분할하고 분석하기 위한 완전 자동화된 딥러닝 파이프라인을 설명합니다. 이 방법은 선천성 횡격막 탈장(CDH) 및 대조군의 혈관 발달을 정량적으로 평가할 수 있게 하여 폐 저형성 및 혈관 발달 저하의 비침습적 특성 규명을 지원합니다.

초록

선천성 횡격막 탈장(CDH)은 폐 저형성과 혈관 발달 미흡이 특징이며, 이는 가스 교환 장애와 높은 신생아 사망률을 초래합니다. 폐혈관의 정확하고 정량적인 평가는 질병의 중증도를 이해하는 데 매우 중요하지만, 의료 영상에서 3차원 혈관망을 수동으로 분할하는 것은 시간이 많이 걸리고 운영자에 의존합니다.

이 프로토콜은 출생 후 컴퓨터 단층촬영(CT) 스캔을 이용한 폐혈관 분절 및 형태 측정을 위한 완전 자동화된 딥러닝 기반 방법을 제시합니다. 파이프라인에는 표준 전처리 단계인 하운스필드 단위로의 변환, 윈도잉, 등방성 재샘플링, 대비 제한 적응 히스토그램 평형화(CLAHE)가 포함되어 있어 영상 데이터를 정규화하고 혈관 가시성을 향상시킵니다. 이후 U-Net 합성곱 신경망(CNN) 아키텍처가 폐혈관을 분할하도록 훈련되고, 이어서 가지수, 평균 분기 길이, 세대별 깊이와 같은 형태계측 매개변수를 정량화하는 3차원 골격화 알고리즘이 적용됩니다.

대표적인 결과는 제안된 모델이 높은 분할 정확도를 달성하며, 전이 학습 구성이 가장 우수한 성능을 제공함을 보여줍니다. 정량적 형태측정 분석 결과, CDH는 대조군에 비해 혈관 복잡성이 현저히 감소하여 폐저형성의 알려진 병리학적 특징과 일치합니다.

이 자동화된 접근법은 CDH에서 폐혈관 형태를 재현 가능하고 정량적이며 비침습적으로 평가할 수 있게 합니다. 이 방법은 다른 영상 기법에도 적용할 수 있으며, 태아 및 신생아 폐 발달 연구에 적용되어 중개 연구와 미래의 임상 통합을 촉진합니다.

서론

선천성 횡격막 탈장(CDH)은 횡격막 결손이 특징인 생명을 위협하는 선천성 기형으로, 복부 내장이 흉부 1,2로 탈출되는 것을 특징으로 합니다. 이러한 물리적 압박은 폐 발달을 심각하게 저해하여 폐 저형성과 지속성 폐고혈압(PPHN)을 초래하며, 이들은 이환율과 사망률의 주요 원인입니다. 폐 저형성과 혈관 발달 부족 외에도, 심장 발달 장애와 심실 기능 장애도 CDH 신생아의 임상 결과에 유의미한 영향을 미치는 것으로 나타났습니다. 기저 병태생리는 기도와 폐혈관층의 비정상 발달을 포함하며, 이로 인해 혈관 수가 줄어들고 소동맥의 근육화가 증가하여 혈관 저항이 증가합니다 3,4. CDH 환자에서 위험을 정확히 층화하고, 개입을 안내하며, 치료 반응을 모니터링하기 위해 객관적이고 정량적인 바이오마커가 필요합니다. 이 평가에서 중요한 부분 중 하나는 폐혈관의 상세한 분석으로, 폐저형성의 범위와 폐의 기능 능력에 대한 통찰을 제공합니다. 특히 컴퓨터 단층촬영(CT)과 같은 영상 기술의 발전은 폐혈관을 매우 세밀하게 시각화하고 정량화하는 능력을 향상시켰습니다 6,7.

산후 컴퓨터 단층촬영(CT)은 폐의 고해상도 해부학적 세부 정보를 제공하지만, 복잡한 폐혈관 나무 분석은 여전히 도전적입니다. 기존의 혈관 분할 방법들은 종종 상당한 수작업 개입이 필요한 전통적인 이미지 처리 기법에 의존하며, 이미지 인위물에 취약하고 CDH 7,8,9,10의 심각한 해부학적 왜곡에 견고하지 않을 수 있습니다. 딥러닝, 특히 U-Net 아키텍처와 같은 합성곱 신경망(CNN)은 자동화된 의료 영상 분할에서 놀라운 성공을 거두었습니다. 그러나 기존 모델의 많은 경우 건강한 대상자나 다른 질병 맥락에서 학습되어 CDH10, 11, 12, 13과 같은 선천적 이상에 적용 범위가 제한됩니다.

이러한 진전에도 불구하고 문헌에는 여전히 상당한 공백이 남아 있습니다. 많은 연구들이 건강한 개인이나 특정 폐 질환에 초점을 맞추었으며, CDH12와 같은 선천적 기형에는 제한적인 관심을 기울였습니다. 또한, 딥러닝 모델이 향상된 성능을 보여주긴 하지만, 학습을 위해 대용량의 주석이 달린 데이터셋이 필요하며, CDH와 같은 드문 조건에서는 항상 제공되지 않습니다. 더욱이 기존 모델들은 CDH로 인한 심각한 해부학적 변형이 있을 때 동맥과 정맥 등 폐혈관의 다른 유형을 구분하는 문제를 완전히 해결하지 못했습니다. 이러한 한계는 CDH 환자의 폐혈관을 정확히 분할하고 분석할 수 있는 보다 견고한 모델 개발을 위한 추가 연구의 필요성을 강조합니다.

본 연구는 폐혈관을 분할하고 CT 스캔에서 정량적 형태측정 특징을 추출하는 완전 자동화 딥러닝 프레임워크를 개발하고 검증함으로써 이러한 격차를 해소하는 것을 목표로 합니다. 우리 접근법의 핵심 혁신 중 하나는 CDH와 대조군 환자를 결합한 데이터셋에서 모델을 학습시켜 정상 및 병리적 혈관 패턴을 모두 강력하게 표현할 수 있게 한 것입니다. CT 영상은 이온화 방사선을 포함해 일상적인 종단 선별에 적합하지 않지만, 이 연구는 중요한 개념 증명 역할을 합니다. 본 연구의 주요 목표는 혈관 구조의 자동 방사선 정량화가 가능하며 CDH 환자와 대조군을 신뢰성 있게 구분할 수 있음을 입증하는 것입니다. 이 분야의 성공은 향후 임상 응용을 위해 이 정량적 틀을 자기공명영상(MRI)과 같은 방사선 없는 영상 기법에 적용할 수 있는 검증을 제공합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

인간 참가자가 포함된 모든 절차는 기관 인간 연구 윤리 위원회의 지침에 따라 수행되었으며, 기관 검토 위원회(IRB #2017-6361)의 승인을 받았습니다. 이 연구는 적용 가능한 규제 기준을 준수하여, 분석 전에 환자 데이터는 사후적으로 수집되고 식별 해제되었습니다. 개발된 시스템의 개요는 그림 1에 나와 있습니다.

1. 이미지 전처리

  1. 신생아 환자들의 DICOM 형식 원시 CT 스캔을 작업 환경에 로드하세요.
    1. 의료 영상 분석 소프트웨어를 열고 새로운 프로젝트 작업 공간을 생성하세요.
    2. 파일 > 가져오기 > DICOM 시리즈를 클릭하세요.
    3. 신생아 흉부 CT 스캔 DICOM 형식이 있는 폴더로 이동하여 전체 이미지 시리즈를 선택하세요.
    4. 시리즈 내 모든 슬라이스가 획득 메타데이터(예: 인스턴스 번호)를 기준으로 올바르게 감지되고 정렬되었는지 확인하세요.
    5. 이미지 크기, 복셀 간격, 슬라이스 두께를 메타데이터 패널에서 확인하여 스캔 간 일관성을 보장합니다.
    6. 시리즈를 작업 공간에 불러와 축방향, 관상선, 시상면을 육안으로 점검하여 올바른 방향과 로딩 오류가 없음을 확인하세요.
  2. 오픈 소스 소프트웨어를 사용해 DICOM 파일을 NIfTI 형식으로 변환하여 더 쉽게 조작하고 분석할 수 있도록 합니다.
    1. 과학 컴퓨팅 환경 내에서 터미널 창을 열어보세요.
    2. CD 명령어를 사용해 DICOM 이미지 시리즈가 포함된 디렉터리로 이동하세요.
    3. 다음 명령 구조를 사용하여 DICOM-to-NIfTI 변환 도구를 실행하세요: dcm2niix -z y -f output_filename -o /output_directory /input_directory
    4. 압축 기능이 활성화되어 있는지(-z y) 확인하여 압축된 .nii.gz 파일을 생성하세요.
    5. 출력 파일이 지정된 출력 디렉터리에서 성공적으로 생성되었는지 확인하세요.
    6. 변환된 NIfTI 파일을 의료 영상 뷰어에서 열고, 축, 관상, 시상면을 시각적으로 검사하여 올바른 공간 방향과 영상 무결성을 확인하세요.
    7. 전처리 전에 모든 피사체에서 일관성을 보장하기 위해 복셀 간격과 이미지 치수를 확인하세요.
  3. 스캐너별 메타데이터나 표준 공식을 사용하여 이미지 강도를 하운스필드 단위(HU)로 변환할 수 있습니다.
    1. 각 스캔의 이미지 헤더에서 DICOM 메타데이터 매개변수 Rescale Slope 와 Rescale Intercept 를 추출합니다.
    2. 각 복셀 강도 값(I_raw)에 대해, 다음 공식으로 대응하는 하운스필드 단위(HU)를 계산합니다: HU = (I_raw × 리스케일 기울기) + 리스케일 인터셉트.
    3. 과학 컴퓨팅 환경 내에서 원소별 행렬 연산을 사용하여 전체 3D 이미지 볼륨에 변환을 적용합니다.
    4. 공기 영역이 약 −1000 HU이고 연부 조직 영역이 예상 생리적 범위 내에 있는지 확인하여 올바른 변환을 확인한다.
    5. 변환된 볼륨을 새 NIfTI 파일로 저장하여 원본 데이터를 보존하세요.
  4. 폐와 연조직을 강조하기 위해 윈도잉을 적용하세요. 창문 레벨(WL) 을 -400 HU로, 창 폭(WW) 을 1500 HU로 설정하세요.
    1. 변환된 NIfTI 파일을 이미지 시각화 소프트웨어에서 열어보세요.
    2. 이미지 디스플레이 또는 강도 설정 패널로 이동하세요.
    3. 창/레벨 조정 옵션을 선택하세요.
    4. 윈 도우 레벨(WL) 값을 수동으로 -400 하운스필드 유닛(HU)으로 설정하세요.
    5. 창 폭(WW) 값을 1500 HU로 설정하세요.
    6. 확인 후 설정 적용하여 이미지 시각화를 업데이트하세요.
    7. 폐 실질과 폐혈관이 뼈 및 종격기 구조와 명확히 구별되는지 확인한 후 추가 전처리 단계로 진행하세요.
  5. 삼선형 보간을 사용하여 복셀 치수가 균일하게 유지되도록 등방성 재샘플링을 수행합니다(예: 1 mm × 1 mm × 1 mm).
    1. 의료 이미지 처리 라이브러리를 사용해 NIfTI 이미지를 Python 환경에 불러오세요.
    2. 이미지 헤더 메타데이터에서 원본 복셀 간격을 추출하세요.
    3. 목표 등방성 간격을 (1.0, 1.0, 1.0) mm로 정의합니다.
    4. 새로운 이미지 치수를 계산하려면 다음 공식을 사용한다: new_size = original_size × (original_spacing / target_spacing)
    5. 리샘플링 객체를 초기화하세요.
    6. 보간 방법을 삼선형 보간으로 설정하세요.
    7. 목표 복셀 간격(1.0 mm × 1.0 mm × 1.0 mm)을 할당하세요.
    8. 계산된 새 이미지 크기를 설정하세요.
    9. 원본 이미지 방향과 원본 메타데이터를 보존하세요.
    10. 리샘플링 연산을 실행하세요.
    11. 재샘플링된 이미지를 NIfTI 형식으로 저장하여 후속 전처리 단계에 사용하세요.
    12. 진행 전에 이미지 헤더의 업데이트된 복셀 치수를 확인하여 등방성 간격을 확인하세요.
  6. 조영구 제한 적응 지스토그램 평형화(CLAHE)를 적용하여 혈관 구조의 명암을 높이고 가시성을 개선합니다.
    1. 필요한 이미지 처리 라이브러리를 Python 환경에 가져오세요.
    2. 필요하다면 리샘플링된 3D CT 볼륨을 8비트 그레이스케일 형식으로 변환하고, 선형 강도 정규화를 사용해 선택한 HU 범위를 0–255로 매핑합니다.
    3. CT 부피를 축면에서 슬라이스 단위로 처리하여 2D에 CLAHE를 적용합니다.
    4. CLAHE 객체를 다음 매개변수로 초기화합니다: clipLimit = 2.0, tileGridSize = (8, 8).
    5. 각 축 단면마다 CLAHE 함수를 적용하여 국소 대비를 강화합니다.
    6. CLAHE 적용 후 처리된 조각을 3D 볼륨으로 재구성합니다.
    7. 대비 강화 볼륨은 NIfTI 형식으로 저장해 다음 분할을 위해 사용하세요.
    8. 진행 전에 폐혈관이 과도한 잡음 증폭 없이 주변 실질과 더 구별되기 쉽다는 것을 육안으로 확인하라.
  7. 데이터셋 전반에 걸쳐 품질과 일관성을 확인하기 위해 일부 사전 처리된 이미지를 시각적으로 점검하세요.
    1. 전체 데이터셋의 최소 10%를 무작위로 선정하여 수동 품질 평가를 수행합니다.
    2. 의료 이미지 뷰어에서 선택한 각 사전 처리된 볼륨을 열어보세요.
    3. 축, 관, 시상면을 점검하여 다음을 확인하세요: 올바른 공간 방향; 절단 아티팩트가 없음; 윈도잉 매개변수의 적절한 적용; 성공적인 등방성 재샘플링(균일한 복셀 간격); CLAHE 후 적절한 조영 강화.
    4. 폐혈관이 과도한 소음 증폭 없이 인접한 실질과 명확히 구별할 수 있음을 확인한다.
    5. 전처리 이미지와 원본 HU 변환 볼륨을 비교하여 전처리 단계가 왜곡이나 해부학적 불일치를 초래하지 않았는지 확인하세요.
    6. 전처리 오류와 필요시 영향을 받은 사례에 대한 재검토 전처리를 문서화하세요.

2. 수동 주석

  1. 대조군과 CDH 환자 모두에서 대표적인 CT 스캔 하위 집합을 선택하여 수동 주석에 사용한다. 해부학적 변이의 균형 잡힌 분포를 보장하세요.
    1. 대조군과 CDH 코호트 모두에서 모든 자격이 되는 전처리 CT 스캔을 식별합니다.
    2. 심한 운동 아티팩트나 폐 보호 불완전한 스캔은 제외하세요.
    3. 균형 잡힌 대표성을 위해 각 그룹에서 미리 정해진 수의 사례를 무작위로 선정합니다.
    4. 폐 용적, 혈관 밀도, 종격동 이동 심각도 등 다양한 해부학적 변이를 보여주는 사례를 반드시 포함해야 합니다.
    5. 선택된 CDH 사례가 가능한 경우 다양한 정도의 폐 저형성을 나타내는지 확인하십시오.
    6. 수동 주석을 작성하기 전에 선택한 사건 식별자를 문서화하세요.
  2. 사전 처리된 NIfTI 이미지를 3D 의료 이미지 주석 도구에 불러오세요.
    1. 3D 의료 영상 주석 소프트웨어를 열어보세요.
    2. 새 프로젝트나 세분화 세션을 생성하세요.
    3. 파일 > 이미지 열기(또는 동등한 가져오기 옵션)를 클릭하세요.
    4. 사전 처리된 NIfTI 파일(.nii 또는 .nii.gz)이 있는 디렉터리로 이동하여 이미지를 선택하세요.
    5. 축, 관상, 시상면에서 올바른 이미지 방향을 확인하여 성공적인 적재를 확인하세요.
    6. 시각화를 최적화하기 위해 필요하다면 디스플레이 설정을 조정하세요.
    7. 수동으로 혈관 주석을 저장할 새로운 세분화 라벨 또는 마스크 레이어를 생성하세요.
    8. 수동 주석을 시작하기 전에 프로젝트 파일을 저장하세요.
  3. 축, 관상, 시상상을 이용해 각 관련 단면의 혈관 구조를 직접 구분하여 폐혈관을 구분합니다.
    1. 2.2단계에서 생성된 세분화 라벨 레이어를 활성화하세요.
    2. 주석 소프트웨어 내에서 수동 그리기 또는 브러시 도구를 선택하세요.
    3. 정확히 경계 추적을 위해 혈관 직경에 따라 브러시 크기를 동적으로 조정하세요.
    4. 축 단면을 주요 기준면으로 사용하여 동맥 및 정맥 가지를 포함한 보이는 폐혈관 구조를 수동으로 윤곽을 그립니다.
    5. 기관지, 기도벽, 종격기 조직과 같은 비혈관 구조는 제외합니다.
    6. 각 혈관 가지에 대한 연속적인 주석을 위해 폐 전체 용적을 한 조각씩 스크롤합니다.
    7. 각 주석 부위를 관상과 시상상에서 교차 검증하여 해부학적 일관성을 확인하고 불연속성을 방지합니다.
    8. 노이즈 아티팩트의 과도한 분할을 피하면서 시각적으로 구별되는 가장 작은 가지까지 선박을 포함하세요.
    9. 주기적으로 분절의 3D 미리보기를 렌더링하여 혈관나무의 공간적 연속성을 검증합니다.
    10. 완성된 분할 마스크를 NIfTI 형식으로 저장한 후 모델 훈련으로 진행하세요.
  4. 심장, 기관지, 주요 비폐 구조를 제외한 폐혈관에만 주석을 달으십시오.
    1. 축 절단을 주요 기준으로 하여 폐 실질체 내 폐동맥과 정맥을 식별합니다.
    2. 주요 폐동맥에서 시작하여 폐 필드 안쪽으로 멀리까지 뻗은 실질내 혈관 가지를 포함합니다.
    3. 심장 방, 심방, 심실, 그리고 대혈관은 제외하세요.
    4. 기관지와 기관지벽을 포함한 기도 구조는 형태와 기관지 특성에 따라 혈관과 구별하여 배제합니다.
    5. 종격기 연조직, 흉막, 흉벽 구조에 라벨링을 피하세요.
    6. 다면상(축, 관상, 시상면)을 사용하여 주석이 달린 구조가 예상되는 혈관 연속성과 분기 패턴을 따르는지 확인하세요.
    7. 혈관-기도 분화가 불확실할 경우, 인접한 절편 간 연속성을 확인하여 혈관 경로 확인 후 라벨링하세요.
    8. 분할된 부피의 최종 3D 렌더링을 수행하여 폐혈관 트리만 포함되었는지 확인합니다.
  5. 가능하다면 임상 영상 전문가와 상담하여 주석 작성 중 모호한 영역을 검증하세요.
    1. 혈관 경계가 불확실한 부위는 대비가 낮거나 해부학적 왜곡, 또는 기관지 또는 종격기 구조와의 근접성으로 인해 불확실한 영역을 식별합니다.
    2. 임시 라벨이나 주석 도구를 사용해 주석 소프트웨어 내에서 이 영역들을 플래그로 표시하세요.
    3. 표시된 부위를 임상 영상 전문가에게 제시하세요.
    4. 축, 관상, 시상을 함께 검토하여 구조가 폐혈관을 대표하는지 판단하세요.
    5. 전문가의 합의에 따라 세분화 마스크를 수정하세요.
    6. 교정된 부위를 문서화한 후 실제 진실 마스크를 최종 확정하세요.
  6. 최소 두 명의 독립 주석자가 각 세분화를 검토하고 정교하게 하여 평가자 간 검증을 수행합니다. 의견이 다를 경우, 토론이나 중재를 통해 합의에 도달하세요.
    1. 각 선택된 CT 스캔을 흉부 영상 분석 경험이 있는 두 명의 독립 주석자에게 할당합니다.
    2. 주석 작성자들이 독립적으로 분할을 수행하고 서로의 결과를 못하도록 하세요.
    3. 독립적인 주석이 완료된 후, 정량적 중첩 메트릭(예: 주사위 유사도 계수)을 사용하여 분할 마스크를 비교합니다.
    4. 마스크 간 복셀 차이를 계산하여 불일치 영역을 식별합니다.
    5. 축, 관상, 시상면에서 불균형 영역을 함께 검토하세요.
    6. 구조화된 토론을 통해 합의를 이끌어내세요.
    7. 의견 차이가 계속된다면, 최종 결정을 중재할 세 번째 수석 심사자를 참여시키세요.
    8. 합의 세분화 마스크를 모델 훈련의 최종 진실 라벨로 저장하세요.
  7. 주석이 달린 혈관 마스크는 원본 CT 이미지와 동일한 해상도와 공간에 저장하세요. 일관된 명명 규칙을 사용하여 NIfTI 형식으로 저장하세요.
    1. 최종 합의 분할 마스크가 이진 레이블 맵으로 저장되도록 하며, 혈관 복셀에는 값이 1, 배경 복셀에는 값이 0이 할당됩니다.
    2. 분할 마스크가 해당 사전 처리 CT 이미지와 동일한 복셀 간격, 이미지 크기, 원점, 방향 행렬을 유지하는지 확인하세요.
    3. 주석 소프트웨어의 내보내기 기능을 사용하여 분할 마스크를 NIfTI 형식(.nii 또는 .nii.gz)으로 내보내세요.
    4. 다음과 같은 일관된 명명 규칙을 사용하세요: SubjectID_Group_VesselMask.nii.gz; (예: CDH_012_VesselMask.nii.gz).
    5. 이미지 데이터셋과 병렬로 마스크를 전용 디렉터리에 저장하여 페어링 일관성을 유지하세요.
    6. 모델 학습 전에 CT 이미지와 해당 마스크를 모두 재로드하여 완벽한 공간 정렬을 확인하여 최종 검증을 수행합니다.
  8. 이 수동 라벨링된 세분화를 모델 훈련과 평가의 기본 기준으로 활용하세요.

3. 모델 훈련 및 검증

  1. 데이터셋을 훈련, 검증, 테스트 세트의 세 가지 하위 집합으로 조직하세요. 이 연구에서는 35건의 대조군과 20건의 CDH 사례를 훈련용으로, 5건의 대조군과 10건의 CDH 사례를 검증용으로 사용하고, 나머지는 독립적인 검사를 위해 기다리는 것입니다.
    1. 모든 사전 처리된 CT 이미지와 이에 해당하는 합의 혈관 마스크를 하나의 데이터셋으로 모으세요.
    2. 환자 수준에서 데이터셋 분할을 수행하여 하위 집합 간 데이터 유출을 방지합니다.
    3. 훈련 세트에 무작위로 35개의 대조군 사례와 20개의 CDH 사례를 할당합니다.
    4. 검증 세트에 무작위로 5개의 대조군 사례와 10개의 CDH 사례를 할당합니다.
    5. 나머지 모든 케이스를 모델 훈련이나 하이퍼파라미터 튜닝 중에 접근하지 않는 독립적인 홀드아웃 테스트 세트에 할당합니다.
    6. 분할 과정 내내 각 CT 이미지와 해당 분할 마스크가 쌍으로 유지되도록 하세요.
    7. 각 하위 집합에서 클래스 분포를 검증하여 대조군과 CDH 사례 모두의 대표성을 유지합니다.
    8. 재현성을 위해 주제 식별자의 최종 할당을 문서화하세요.
  2. 훈련 중 신경망 수렴을 개선하기 위해 0에서 1 사이 모든 이미지의 강도 값을 정규화합니다.
    1. 각 CT 볼륨에 대해 극단적인 이상치를 제거하기 위해 먼저 강도 값을 미리 정의된 하운스필드 단위 범위로 제한합니다.
    2. 강도 클리핑을 적용하여 −1000 HU 이하의 값은 −1000 HU로, 500 HU 이상은 500 HU로 설정합니다.
    3. 다음 변환을 사용하여 각 부피별로 독립적으로 min–max 정규화를 수행합니다: 정규화 값 = (I − I_min) / (I_max − I_min), 여기서 I_min와 I_max는 부피의 클리핑된 최소 및 최대 강도 값에 해당합니다.
    4. 계산 환경 내에서 요소별 연산을 사용하여 전체 3D 부피에 정규화를 적용합니다.
    5. 데이터를 신경망에 입력하기 전에 모든 복셀 세기가 [0, 1] 구간 내에 있는지 확인하세요.
    6. 훈련, 검증, 테스트 세트 간 정보 유출을 방지하기 위해 각 이미지에 대해 정규화 매개변수가 독립적으로 도출되도록 해야 합니다.
  3. PyTorch나 TensorFlow와 같은 딥러닝 프레임워크를 사용하여 U-Net 합성곱 신경망 아키텍처를 구현하세요.
    1. 딥러닝 개발 환경에서 새 프로젝트를 만들고 재현성을 위해 고정된 무작위 시드를 설정하세요.
    2. 인코더-디코더 구조를 가진 2D U-Net 아키텍처(그림 2)를 정의하고 연결을 건너뛰는 이진 세그멘테이션을 위한 것입니다.
    3. 모델 입력을 단일 채널 CT 슬라이스(그레이스케일)로 설정하고, 모델 출력을 혈관 적합도를 나타내는 단일 채널 확률 맵으로 설정합니다.
    4. 최종 층을 시그모이드 활성화 함수로 설정하여 [0, 1] 범위의 값을 생성합니다.
    5. 이진 분할(예: 이진 교차엔트로피)에 대한 손실 함수를 정의하고 옵티마이저를 초기화합니다.
    6. 배치 크기, 에포크 수, 학습률 등 훈련 하이퍼파라미터를 지정하고, 이 값을 기록하여 보고하세요.
    7. 일관된 셔플링과 배치로 학습 및 검증 데이터셋을 모델에 입력할 데이터 로더를 준비하세요.
    8. 전체 모델 정의와 하이퍼파라미터 구성을 재현성을 위해 저장하세요.
  4. 모델을 인코더-디코더 구조로 구성하며, 스킵 연결과 배치 정규화 계층을 포함하여 세분화 정확도를 높이세요.
    1. 반복되는 컨볼루션 블록으로 구성된 인코더를 정의합니다. 각 블록에는 다음 항목이 포함되는지 확인하세요:
      두 개의 연속된 2차원 합성곱 층(커널 크기 3 × 3, 패딩 = 1)
      각 컨볼루션 후에 배치 정규화가 적용됩니다
      정류 선형 유닛(ReLU) 활성화
    2. 각 인코더 블록 뒤에 2 × 최대 풀링을 2 스트라이드로 적용하여 공간 해상도를 점진적으로 낮추세요.
    3. 각 다운샘플링 단계마다 특징 채널 수를 두 배로 늘리세요.
    4. 업샘플링을 위해 전위 합성곱(2 × 2 커널, 스트라이드 2)을 사용하여 디코더를 정의합니다.
    5. 공간 정보를 보존하기 위해 해당 인코더 계층에서 디코더 계층으로 연결 기능을 연결하여 연결 매핑을 연결합니다.
    6. 각 연결 단계 후에 배치 정규화와 ReLU 활성화를 포함한 두 개의 합성곱 레이어를 적용합니다.
    7. 마지막 1× 1 합성곱 레이어를 사용해 특징을 단일 채널 출력에 매핑하세요.
    8. 혈관 분절을 위한 복셀별 확률 지도를 생성하기 위해 시그모이드 활성화 함수를 적용합니다.
  5. 모델을 세 가지 구성으로 훈련시키세요:
    1. 기본 모델 (처음부터 훈련)
      1. U-Net 가중치를 무작위로 초기화하세요(예: He 초기화).
      2. 입력값으로는 수동으로 주석이 달린 동맥-정맥 데이터셋만 사용하세요.
      3. 입력 이미지를 512 × 512 픽셀로 크기 조절하세요.
      4. 강도 값을 범위 [0,1]로 정규화합니다.
      5. 배치 크기를 8(또는 GPU 메모리가 허용하는 최대 값)로 설정하세요.
      6. 학습률 = 1 × 10⁻4인 Adam 옵티마이저를 사용하세요.
      7. 이진 교차엔트로피(이진 분할 기준) 또는 교차 엔트로피 손실(동맥-정맥 분류용)을 사용하세요.
      8. 30시대 동안 훈련하세요.
      9. 각 에포크 후 검증 손실을 모니터링하세요.
      10. 가장 낮은 검증 손실에 해당하는 모델 가중치를 저장하세요.
      11. PyTorch에서는 3.5.1.13–3.5.1.14 단계를 따라가세요.
      12. 최적화 알고리즘을 정의하세요: torch.optim.Adam(model.parameters(), lr=1e-4)
      13. loss를 정의하세요: torch.nn.BCEWithLogitsLoss() 또는 torch.nn.CrossEntropyLoss()
      14. 훈련 중에는 model.train(), 검증 중에는 model.eval()을 사용하세요.
    2. 세그멘테이션 입력 모델 (보조 혈관 마스크 입력)
      1. 입력 계층을 수정하여 두 개의 채널을 허용하도록 합니다:
        채널 1: CT 이미지
        채널 2: 이진 혈관 분할 마스크
      2. CT 이미지와 용기 마스크를 채널 차원을 따라 연결한 후 네트워크에 입력하세요.
      3. 기본 모델과 동일한 아키텍처를 유지하세요.
      4. 3.5.1단계에서 사용한 것과 동일한 옵티마이저, 학습률, 배치 크기, 에포크 번호를 사용하세요.
      5. 검증 F1 점수를 기반으로 가장 성과가 좋은 가중치를 저장하세요.
    3. 전이 학습 모델(사전 학습 초기화)
      1. 진행 보고서에 설명된 일반적인 선박 분할 데이터셋에서 학습된 사전 학습된 U-Net 가중치를 로드합니다.
      2. 처음 5 에포크(선택적 안정화 단계) 인코더 레이어를 정지하세요.
      3. 모든 층을 해제하고 남은 에포크를 위해 미세 조정을 계속하세요.
      4. 미세 조정 시 학습률 = 5 × 10⁻5 를 사용하세요.
      5. 총 30시대 동안 훈련하세요.
      6. 훈련 중에 수평 뒤집기를 데이터 증강으로 적용하세요.
      7. 검증 F1 점수가 가장 높은 모델을 저장하세요.
  6. 이진 교차엔트로피 손실과 Adam 최적화기를 사용하며, 초기 학습률은 0.001입니다. 검증 손실이 정체되면 학습 속도를 적응적으로 줄이세요.
    1. 손실 함수의 정의
      1. 이진 혈관 분할에는 로짓을 이용한 이진 교차 엔트로피 손실을 사용하세요.
      2. PyTorch에서 정의: criterion = torch.nn.BCEithLogitsLoss()
      3. 다중 등급 동맥-정맥 분류를 수행할 때는 다음을 사용하세요: criterion = torch.nn. CrossEntropyLoss()
    2. 최적화기 정의
      1. 초기 학습률 0.001의 Adam 옵티마이저를 사용하세요.
      2. PyTorch에서: optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    3. 적응적 학습률 감소 촉진
      1. 검증 손실이 개선되지 않을 때 학습 속도를 줄이기 위해 학습률 스케줄러를 구현하세요.
      2. ReduceLROnPlateau 스케줄러를 사용하세요.
      3. PyTorch에서: 스케줄러 = torch.optim.lr_scheduler. ReduceLROnPlateau(
        옵티마이저,
        모드='min',
        인수=0.5,
        인내심=5,
        장황한 =참
        )
      4. 각 검증 단계 후에 call: scheduler.step(validation_loss)
    4. 훈련 루프 구성.
      1. 각 에포크마다 3.6.4.2–3.6.4.7 단계를 따르세요:
      2. 모델을 훈련 모드로 설정: model.train()
      3. 앞으로 패스해.
      4. 계산 손실.
      5. 백프로패게이트: loss.backward()
      6. 가중치 업데이트: optimizer.step()
      7. 다음 반복 전 0 구배: optimizer.zero_grad()
      8. 훈련 단계 후에는 model.eval()을 사용해 평가 모드로 전환하고 검증 손실을 계산합니다.
    5. 조기 정차 (선택 사항이지만 권장)
      1. 검증 손실이 10년 연속 에포크에서 개선되지 않으면, 과적합을 방지하기 위해 훈련을 중단하세요.
  7. 무작위 회전, 뒤집힘, 탄성 변형과 같은 데이터 증강 기법을 적용하여 견고성을 높이고 과적합을 줄입니다.
    1. 증강 파이프라인 정의
      1. 증강은 오직 훈련 데이터셋에만 적용하세요.
      2. CT 이미지와 해당 분할 마스크 모두에 동일한 공간 변환을 적용합니다.
    2. 무작위 회전.
      1. -15°에서 +15° 사이의 무작위 평면 내 회전을 적용하세요.
      2. PyTorch(토치비전 또는 알부엔테이션 사용): RandomRotation(degrees=15)
    3. 수평과 수직 공중제비.
      1. 수평 플립을 p = 0.5 확률로 적용합니다.
      2. 해부학적으로 허용되는 경우, 확률 p = 0.5로 수직 뒤집기를 적용합니다.
    4. 탄성 변형.
      1. 해부학적 변이성을 시뮬레이션하기 위해 탄성 변환을 적용합니다.
      2. 비현실적인 왜곡을 피하기 위해 작은 변형 매개변수를 사용하세요.
    5. 구현 예시 (PyTorch + 알부멘테이션)
      1. 교육 전에 변환 파이프라인을 정의하세요:
        transform = A. Compose([
        A. 회전(limit=15, p=0.5),
        A.수평 뒤집기(p=0.5),
        A.ElasticTransform(alpha=1, sigma=50, alpha_affine=10, p=0.3)
        ])
      2. 데이터셋 __getitem__내에서 변환을 적용하여 이미지와 마스크의 동기화된 변환을 보장하세요.
    6. 검증 및 테스트 세트
      1. 검증 데이터셋이나 테스트 데이터셋에는 보강 적용을 하지 마세요.
      2. 이 세트들은 정규화와 크기 조정만 사용하세요.
    7. 품질 관리.
      1. 훈련 전에 증강된 샘플을 육안으로 검사하여 해부학적 타당성을 확인하세요.
      2. 마스크가 변환된 이미지와 정렬되어 있는지 확인하세요.
  8. 모델을 고정된 에포크 수 또는 수렴할 때까지 훈련시키고, 각 에포크 후 검증 세트의 성능을 모니터링합니다.
    1. 훈련 시간 정의
      1. 최대 훈련 에포크 수를 30으로 설정하세요.
      2. 또는 수렴 기준이 충족될 때까지 훈련을 계속할 수 있습니다(아래 조기 중단 참조).
    2. 훈련 루프
      1. 각 에포크마다 3.8.2.2–3.8.2.10 단계를 따르세요:
      2. 모델을 훈련 모드로 설정하세요: model.train()
      3. 훈련 세트 내 모든 미니 배치를 반복 검사하세요.
      4. CT 영상과 해당 마스크 배치를 로드하세요.
      5. 앞으로 패스해.
      6. 정의된 손실 함수를 사용하여 손실을 계산합니다.
      7. 역전파 기울기: loss.backward()
      8. 모델 가중치 업데이트: optimizer.step()
      9. 다음 배치 전에 그라디언트 초기화: optimizer.zero_grad()
      10. 해당 시대의 평균 훈련 손실을 계산합니다.
    3. 검증 단계 (각 에포크 후)
      1. 모델을 평가 모드로 전환하기: model.eval()
      2. 그라디언트 계산 비활성화: torch.no_grad():
      3. 검증 데이터셋을 반복 검토하세요.
      4. 앞으로 패스해.
      5. 검증 손실을 계산합니다.
      6. 성능 지표(F1 점수, 정밀도, 민감도, DICE 점수)를 계산합니다.
      7. 검증 손실과 지표를 기록하세요.
    4. 학습률 조정
      1. 검증 단계 후 스케줄러 업데이트: scheduler.step(validation_loss)
    5. 수렴 기준
      1. 검증 손실이 10년 연속 에포크(조기 중단)에 개선되지 않거나 성과 지표가 정체되면 훈련을 중단하세요.
    6. 모델 체크포인트
      1. 검증 F1 점수가 개선될 때마다 모델 가중치를 저장하세요.
      2. 테스트 세트에서 최종 평가를 위해 가장 성능이 좋은 모델을 유지합니다.
    7. 벌목
      1. 에포크별로 훈련 및 검증 손실 값을 저장합니다.
      2. 수렴 동작을 검증하기 위해 학습 곡선(손실 대 시대)을 그래프로 표시하세요.
  9. 검증 데이터셋에서 가장 높은 F1 점수를 기준으로 가장 성능이 좋은 모델을 선택하세요.
    1. 검증 지표 추적
      1. 각 에포크가 끝난 후 검증 데이터셋의 F1 점수를 계산합니다.
      2. F1 점수와 해당 에포크 번호를 함께 저장하세요.
    2. 모델 비교
      1. 모든 시기에 걸친 검증 F1 점수를 비교하세요.
      2. 가장 높은 검증 F1 점수를 달성한 시기를 식별합니다.
    3. 모델 체크포인트
      1. 훈련 중에는 검증 F1 점수가 개선될 때마다 모델 가중치를 저장하세요.
    4. 최종 모델 선정
      1. 훈련 완료 후, 검증 F1 점수가 가장 높은 위치에 해당하는 가중치를 로드합니다:
        model.load_state_dict(torch.load("best_model.pth"))
    5. 독립 시험
      1. 선택한 모델은 독립 테스트 데이터셋에서 한 번만 평가하세요.
      2. 모델 선택에 테스트 세트 성능을 사용하지 마세요.
    6. 재현성
      1. 선택한 에포크 번호와 해당 검증 지표를 기록하세요.
      2. 무작위 시드를 수정해 재현성을 보장하세요.
  10. 학습된 모델 가중치와 구성을 저장해 두어 하위 세분화 작업을 수행하세요.

4. 분절 및 골격화

  1. 학습된 U-Net 모델을 로드하여 독립 테스트 세트의 사전 처리 CT 스캔에 적용합니다.
  2. 각 스캔마다 모델의 확률적 출력에 임계값을 적용하여 폐혈관의 이진 분할 마스크를 생성합니다.
  3. 특히 CDH 유발 왜곡 영역에서 해부학적 타당성을 확인하기 위해 분할 결과를 육안으로 검사합니다.
  4. 세그먼트화된 3D 이진 마스크를 소프트웨어로 구현한 3D 희박화 알고리즘을 사용하여 골격화된 표현으로 변환합니다.
  5. 혈관 골격을 넓이 우선 탐색 알고리즘으로 라벨링하며, 폐 줄기를 근 노드로 지정하고 각 갈루에 연결성에 따라 세대 단계를 할당합니다.
  6. 최소 복셀 크기나 분기 길이 임계값을 사용하여 잡음이나 분절 오류로 인해 발생할 가능성이 있는 작고 분리된 구성 요소나 가짜 가지를 제거합니다.
  7. 뼈대화된 구조는 3D 메쉬 또는 그래프 호환 형식(예: VTK 또는 SWC)으로 저장하여 형태계측 분석을 수행하세요.

5. 형태 측정 특징 추출

  1. 분할된 CT 이미지에서 생성된 골격화된 혈관 그래프를 불러오세요.
  2. 분기점과 종단 노드 사이의 그래프 구조를 탐색하여 모든 개별 분기를 식별합니다.
  3. 혈관 그래프 내에서 식별된 모든 분절을 합산하여 총 가지 수를 계산합니다.
  4. 골격을 따라 연결된 복셀 간의 유클리드 거리를 합하여 각 가지의 길이를 계산합니다.
  5. 각 피험자의 골격 내 모든 가지 길이를 평균하여 평균 가지 길이를 구합니다.
  6. 주요 폐동맥에서 각 분기점에 0세대로 세대 레벨을 할당하고, 각 분기점마다 폭 우선 탐색을 사용해 1단계씩 증가시킵니다.
  7. 루트 노드에서 최종 분기까지의 가장 긴 경로를 식별하여 최대 원위 생성 횟수를 계산합니다.
  8. 주변 가지에서 뿌리까지 가장 긴 경로를 찾아 근접 세대의 최대 수를 계산합니다.
  9. 모든 형태계측적 특징을 주제 식별자, 진단 그룹, 추출한 지표와 함께 구조화된 스프레드시트 또는 데이터베이스 형식(예: CSV 또는 SQL)에 저장하세요.
  10. 골격 그래프의 일부 부분과 해당 형태측정 특징을 시각적으로 검사하여 정확성과 생물학적 타당성을 확인하세요.

6. 분류 분석

  1. 형태계측학적 특징(예: 총 가지 수, 평균 가지 길이, 원위 및 근위 생성 깊이)과 해당 진단 라벨(CDH 또는 대조군)을 포함하는 구조화된 데이터셋을 가져오세요.
  2. 클래스 분포를 유지하기 위해 계층화된 표본추출을 사용하여 데이터셋을 훈련 및 테스트 세트로 나누세요.
  3. 표준 머신러닝 라이브러리를 사용하여 랜덤 포레스트 및 의사결정 트리 분류기를 구현하세요.
  4. 추정기 수(예: 랜덤 포레스트의 경우 100 트리)와 교차 검증 성능을 기반으로 최대 깊이와 같은 모델 매개변수를 설정하세요.
  5. 각 분류기를 데이터의 훈련 부분집합을 사용해 훈련시킵니다.
  6. 홀드아웃 검정 세트에서 정확도를 주요 지표로 분류 성과를 평가합니다.
  7. CDH 검출을 위한 진양성, 진음성, 위양성, 위음성률을 평가하기 위한 혼동 행렬을 생성합니다.
  8. 랜덤 포레스트 분류기와 의사결정 트리 분류기의 성능을 비교하고, 대표성 있는 결과를 보고할 수 있는 가장 높은 정확도를 가진 모델을 선택하세요.
  9. 분류 결과를 막대 차트, ROC 곡선, 또는 결정 트리 등으로 시각화하고, 출력은 그림에 포함되도록 저장하세요.
  10. 모든 모델 매개변수, 성능 지표, 그리고 데이터에 적용된 모든 전처리를 문서화하여 재현성을 보장하세요.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

전이 학습으로 훈련된 딥러닝 모델은 모든 구성 중에서 가장 높은 세분화 성능을 기록했으며, 독립 테스트 세트에서 정확도 0.714, 민감도 0.706, F1 점수 0.672를 기록했습니다. 처음부터 훈련된 기준선 모델은 성능이 저하된 것으로 나타났으며(정밀도: 0.703, 민감도: 0.589, F1 점수: 0.551), 분할-입력 모델은 중간 정도의 성과를 보였다(F1 점수: 0.630).

분절 후 형태계측 분석 결과, CDH 환자에서 대조군에 비해 혈관 복잡성이 유의하게 감소한 것으로 나타났습니다(표 1). 구체적으로, CDH 환자에서 혈관 가지 총 평균 수는 대조군(2596.33± 984.45)보다 낮았다(949.60± 639.78). CDH 그룹의 평균 가지 길이도 대조군(13.94 ± 2.76 mm)에 비해 10.91 ± 2.46 mm로 짧았습니다. CDH에서는 원위 생성 수(31....

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 프로토콜의 여러 단계는 정확하고 재현 가능한 결과를 얻기 위해 매우 중요합니다. 이미지 전처리 단계는 특히 하운스필드 유닛으로의 변환과 윈도잉(WL = -400 HU, WW = 1500 HU)의 적용을 신중하게 수행해야 하며, 이 매개변수들이 혈관 구조14, 15, 16, 17의 가시성을 결정합니다. 골격화는 또한 형태계측학적 측정을 왜곡할 수 있는 불필요한 분기나 분리된 구성 요소를 피하기 위해 정밀한 매개변수 조정이 필요합니다 9,10. 수동 주석은 규모가 제한적이지만, 모델 훈련에 고품질 기반 진실성을 보장하기 위해 일관되고 여러...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 신고할 재정 공개 사항이 없습니다.

감사의 글

엠라 아이딘은 터키 과학기술연구위원회(TÜBİTAK) 2219 터키 시민 국제 박사후 연구 펠로우십 프로그램(1059B191501313)의 지원을 받았습니다. 아슬리굴 악산과 무스타파 에크렘 에르칸은 터키과학기술연구위원회(TÜBİTAK) 2209-A - 학부생 연구 프로젝트 지원 프로그램의 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
분석 12.0분석직선https://analyzedirect.com/CT 영상 검토, 편집 및 측정에 사용됩니다
CT 스캔 데이터(산후 흉부 스캔)기관 기록 보관소해당 없음CDH 및 대조군 신생아의 후향적 데이터셋
DCM2NIIX오픈소스 (GitHub)https://github.com/rordenlab/dcm2niixDICOM을 NIfTI 형식으로 변환
잇-탙오픈 소스 (http://www.itksnap.org)http://www.itksnap.org3D 의료 이미지 주석 도구
네트워크X오픈 소스https://networkx.org그래프 기반 혈관 트리 분석에 사용됨
OpenCV (CLAHE 함수)오픈 소스https://opencv.org이미지 대비 향상에 사용됩니다
판다스, 넘피오픈 소스https://pandas.pydata.org, https://numpy.org데이터 관리 및 수치 연산
파이썬 3.8+파이썬 소프트웨어 재단https://www.python.org분석 및 모델 개발을 위한 프로그래밍 언어
파이토치 1.13+메타 AIhttps://pytorch.orgU-Net 구현을 위한 딥러닝 프레임워크
스키킷 이미지오픈 소스https://scikit-image.org스켈레톤화에 사용되는 이미지 처리 라이브러리
Scikit-learn오픈 소스https://scikit-learn.org분류를 위한 머신러닝 라이브러리
Ubuntu 20.04 LTS정경https://ubuntu.com모든 처리 전반에 걸쳐 사용되는 운영체제
NVIDIA RTX 3090 GPU가 탑재된 워크스테이션엔비디아https://www.nvidia.com딥러닝 모델 훈련에 필수

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

U Net
동영상 곧 제공
문의하기
사서에게 추천하기

개인정보

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.