궤도 컴퓨터 단층 촬영 을 통한 딥러닝 기반 의료 영상 분할 적용
2022년 11월 30일
궤도 컴퓨터 단층 촬영(CT) 이미지를 위한 객체 분할 프로토콜이 도입되었습니다. 초고해상도를 사용하여 궤도 구조의 실측 라벨링, CT 이미지에서 관심 볼륨 추출, 궤도 CT 이미지에 대한 2D 순차 U-Net을 사용하여 다중 라벨 분할을 모델링하는 방법을 지도 학습을 위해 설명합니다.
우리는 이 연구에서 궤도 컴퓨터 단층 촬영 이미지에 대한 물체 분할 프로토콜을 도입했습니다. 세계 최초의 재판입니다. 이 프로그램을 사용하면 원하는 곳에서 쉽게 해부학 부분을 마스킹 할 수 있습니다.
시간과 노력을 시각화하고 절약합니다. 이 연구가 생검이 어려운 궤도 질환 진단의 초석이 될 수 있기를 바랍니다. 마스킹 소프트웨어 프로그램을 실행하여 시작하십시오.
궤도 CT를 로드하려면 파일 열기 아이콘을 클릭하고 대상 CT 파일을 선택합니다. 슈퍼픽셀을 사용하여 안구, 시신경 및 외안근을 마스킹하려면 MediLabel에서 스마트펜슬 마법사를 클릭하여 스마트펜슬을 실행합니다. 다음으로, 필요한 경우 슈퍼 픽셀 맵의 해상도를 제어하고 유사한 이미지 강도 값의 픽셀이 클러스터링되는 슈퍼 픽셀 맵에서 안구, 외안근 및 시신경의 수퍼 픽셀 클러스터를 클릭하십시오.
마스크를 미세 조정하려면 슬라이스의 일부 수퍼 픽셀을 마스킹한 후 SmartFill 마법사를 클릭한 다음 자동 수정 아이콘을 클릭하고 수정된 마스크 레이블이 계산되었는지 확인합니다. 마스킹 미세 조정이 완료되면 마스크된 이미지를 저장합니다. 전처리를 위해 Python 스크립트를 실행하고 잘려서 VOIs 폴더에 저장된 스캔 및 마스크를 확인합니다.
시퀀스 빌더 Python 스크립트를 실행하여 VOI를 시퀀스 U-Net의 입력으로 사용할 3개의 순차 CT 슬라이스 세트로 변환합니다. 스캔 폴더와 마스크 폴더 및 전처리된 폴더에서 저장, 변환된 CT 스캔과 마스크를 각각 확인합니다. 궤도 분할 모델을 빌드하려면 Python 스크립트 main을 실행합니다.
py 및 접힌 숫자를 지정하십시오. 훈련 반복 횟수인 epoch를 설정하고 배치 크기(단일 훈련 세션의 훈련 샘플 수)를 설정합니다. 스크립트 메인.
py는 파서 없이 실행할 수 있으며, 이 경우 기본값으로 실행됩니다. 훈련 후 모델의 테스트를 수행하고 주사위 점수 및 볼륨 유사성과 같은 평가 메트릭을 계산합니다. 마지막으로 이미지 파일로 저장된 결과를 확인합니다.
궤도 구조 분할을 위해 시퀀스 U-Net을 사용한 안구 분할은 VOI의 많은 부분과 CT 스캔 간의 이질성이 거의 없기 때문에 0.83의 시각적 유사성 또는 VS 점수와 0.86의 높은 주사위 점수를 달성했습니다. 외안근의 분할에 대해 0.54, 시신경의 경우 0.34의 낮은 주사위 점수가 달성되었는데, 이는 CT 볼륨에서 드물게 나타나고 상대적으로 적은 수의 CT 조각에서 발견되었기 때문입니다. 그러나 외안근과 시신경의 시각적 유사성 점수는 주사위 점수보다 높았으며, 이는 분할의 특이성이 낮았음을 나타냅니다.
전반적으로, 모든 궤도 하부 구조의 분할은 0.79의 주사위 점수와 0.82의 시각적 유사성 점수를 달성했습니다. 응용 프로그램에 따라 VOI의 크기와 창 캡처 수준이 다를 수 있습니다. 다른 훌륭한 목적을 위해 시퀀스 빌더 코드를 수정할 수 있습니다.
또한 모델 학습을 위한 하이퍼파라미터를 수정할 수 있습니다. 모델은 46개의 VOI로 훈련되었으며, 이는 모델 훈련에 많은 수가 아닙니다. 적은 수의 훈련 데이터 세트로 인한 낮은 성능을 극복하기 위해 전이 학습 및 도메인 표기법을 적용할 수 있습니다.
개요
본 연구에서는 해부학적 구조의 마스킹을 용이하게 하기 위한 안와 컴퓨터 단층촬영(CT) 영상의 객체 분할 프로토콜을 소개합니다. 이 프로토콜은 생검이 까다로운 안와 질환의 진단 능력을 향상시키는 것을 목표로 합니다.
주요 연구 구성 요소
과학 분야
- 신경과학
- 의료 영상
- 컴퓨터 비전
배경
- 안와 질환은 종종 비침습적 진단 방법을 필요로 합니다.
- CT 영상 촬영은 안와 구조를 시각화하는 데 유용한 도구입니다.
- 기존의 분할 방법은 정확도와 효율성이 제한적입니다.
- 초해상도 기술은 영상 품질을 개선하여 더 나은 분할을 가능하게 할 수 있습니다.
연구 목적
- CT 영상 내 안와 구조물의 정확한 세분화를 위한 프로토콜 개발.
- 분석을 위한 해부학적 부위의 마스킹 과정을 효율화함.
- 안와 질환 진단에 관한 향후 연구의 기반 제공.
사용된 방법
- 초고해상도(super-resolution)를 이용한 궤도 구조의 정답 라벨링(ground truth labeling).
- CT 영상으로부터 관심 체적(VOI) 추출.
- 다중 라벨 분할을 위한 2D 순차적 U-Net 모델 구현.
- Dice 점수 및 시각적 유사성과 같은 지표를 이용한 분할 성능 평가.
주요 결과
- 안구 분할에서 0.83의 시각적 유사도 점수와 0.86의 dice 점수를 달성함.
- 외안근은 0.54, 시신경은 0.34로 더 낮은 dice 점수를 기록했으며, 이는 CT 스캔에서의 제한적인 출현 빈도에 기인함.
- 안와 하부 구조의 전체적인 분할 결과, 0.79의 dice 점수를 얻음.
- 이러한 결과는 안와 질환의 진단 정확도를 향상시킬 가능성을 시사함.
결론
- 개발된 프로토콜은 안와 구조 분할의 효율성을 향상시킵니다.
- 제한된 학습 데이터로 모델 성능을 개선하기 위해서는 전이 학습이 필요할 수 있습니다.
- 본 연구는 비침습적 안와 진단의 향후 발전을 위한 기반을 마련합니다.
자주 묻는 질문
산업적 관련성 요약
딥러닝 기반의 안와 CT 영상 분할을 통해 주요 해부학적 구조를 정밀하고 재현 가능하게 묘사함으로써, 안과 및 신경안과 질환의 조기 발견과 중개 연구를 지원할 수 있습니다. 자동화된 고충실도 분할은 질병 관련 모델 및 정량적 영상 바이오마커의 개발을 가속화하며, 수동 주석 작성의 부담을 줄이고 전임상 영상 워크플로우의 예측 신뢰도를 높여줍니다. 이러한 역량은 타겟 검증 및 기전적 리스크 감소를 위한 표준화되고 확장 가능한 영상 엔드포인트를 제공함으로써 포트폴리오 의사결정을 강화합니다.
바이오 제약 R&D에서의 전략적 응용
초기 발견 및 타겟 검증
- 자동 분할을 통해 가설 검증을 위한 안와 구조의 객관적인 정량이 가능합니다.
- 재현 가능한 이미징 판독값을 제공하여 기능적 표적 검증을 지원합니다.
- 정밀한 해부학적 경계 설정을 통해 메커니즘적 리스크 감소를 촉진합니다.
- 초기 단계의 안과 연구에서 예측 신뢰도를 향상시킵니다.
스크리닝 및 분석법 개발
- 후속 이미지 분석 워크플로우를 위해 검증된 고해상도 마스크를 제공합니다.
- 분할 결과물을 표준화하여 재현성과 분석 확장성을 지원합니다.
- 안와 해부학적 구조에 미치는 화합물의 영향에 대한 정량적 평가를 가능하게 합니다.
- 강력한 스크리닝 및 플랫폼 재사용을 위해 데이터 세트를 준비합니다.
중개 및 전임상 연구
- 영상 분석 종말점을 질환 관련 해부학적 특징과 일치시킵니다.
- 발견 단계의 영상 촬영부터 전임상 검증 연구까지의 연속성을 보장합니다.
- 정량적이고 재현 가능한 영상 바이오마커를 제공하여 위험 조정된 단계적 진행을 지원합니다.
- 영상 기반 의사 결정 지점에서 중개 연구의 신뢰도를 높입니다.
파이프라인 및 워크플로 통합
이 분할 프로토콜은 초기 가설 검증부터 전임상 모델 개발 및 중개 바이오마커 검증에 이르기까지의 영상 발견 연속체에 통합됩니다.
- 발견 생물학: 특정 안와 구조를 분리하고 정량화함으로써 엄격한 귀무가설 검증을 가능하게 합니다.
- 스크리닝: 고처리량 이미지 분석을 위해 표준화되고 재현 가능한 세그멘테이션 마스크를 제공합니다.
- 분석: 조건 간 비교를 위해 dice score 및 시각적 유사성과 같은 정량적 지표를 산출합니다.
- 중개 연구: 세그멘테이션 출력을 질병 관련 해부학적 구조와 일치시켜 발견 영상과 전임상 엔드포인트를 연결합니다.
- 기업적 재사용: 다른 해부학적 영역 및 영상 양식에 적용 가능한 확장 가능하고 수정 가능한 프로토콜을 제공합니다.
운영 및 기업 영향
- 과학적 가치: 이미지 기반 표적 검증의 예측 신뢰도를 높이고 모호성을 줄입니다.
- 운영적 가치: 어노테이션 과정을 효율화하고 재현성을 향상시키며 확장 가능한 이미지 워크플로우를 지원합니다.
- 전략적 가치: 견고한 이미지 엔드포인트를 제공함으로써 go/no-go 결정 및 자본 효율성을 개선합니다.
- 포트폴리오 영향: 이미지 중심 프로그램의 리스크 조정 우선순위 설정 및 추진을 가능하게 합니다.
실행 시 고려 사항
- 딥러닝, 의료 영상 분석 및 Python 기반 워크플로 관리에 대한 전문 지식이 필요합니다.
- 모델 학습 및 평가를 위한 고품질 CT 영상 데이터와 컴퓨팅 인프라에 대한 접근 권한이 필요합니다.
- 어노테이션 프로토콜 및 평가 지표에 대한 팀 간 표준화가 요구됩니다.
- 전처리 과정과 모델 파라미터를 수정하면 다른 해부학적 부위에도 적용 가능합니다.
- 학습 데이터셋의 크기에 따라 성능이 제한될 수 있으며, 전이 학습(transfer learning)을 통해 데이터 부족 문제를 완화할 수 있습니다.
바이오 제약 FAQ
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
