Toepassing van deep learning-gebaseerde medische beeldsegmentatie via orbitale computertomografie
30 november 2022
Een objectsegmentatieprotocol voor orbitale computertomografie (CT) beelden wordt geïntroduceerd. De methoden voor het labelen van de grondwaarheid van orbitale structuren met behulp van superresolutie, het extraheren van het interessevolume uit CT-beelden en het modelleren van multi-label segmentatie met behulp van 2D-sequentiële U-Net voor orbitale CT-beelden worden uitgelegd voor supervised learning.
We introduceerden in deze studie het objectsegmentatieprotocol voor orbitale computertomografiebeelden. Het is de eerste proef ter wereld. Met behulp van dit programma kunt u eenvoudig maskeren op elk anatomisch deel waar u maar wilt.
Het visualiseert en bespaart uw tijd en moeite. We hopen dat deze studie een hoeksteen kan zijn voor de diagnose van orbitale ziekten, die moeilijk zijn voor biopsie. Begin met het uitvoeren van het maskeringssoftwareprogramma.
Als u de orbitale CT wilt laden, klikt u op het pictogram bestand openen en selecteert u het doel-CT-bestand. Om de oogbol, oogzenuw en extraoculaire spieren te maskeren met behulp van superpixels, voert u de SmartPencil uit door op de SmartPencil-wizard in MediLabel te klikken. Bepaal vervolgens de resolutie van de superpixelkaart, indien nodig, en klik op het cluster van superpixels van de oogbol, extraoculaire spieren en oogzenuw op de superpixelkaart, waar pixels met vergelijkbare beeldintensiteitswaarden zijn geclusterd.
Om de maskers te verfijnen, klikt u op de SmartFill-wizard nadat u enkele van de superpixels op de segmenten hebt gemaskeerd, klikt u vervolgens op het pictogram AutoCorrectie en zorgt u ervoor dat de gecorrigeerde maskerlabels worden berekend. Zodra de verfijning van de maskering is voltooid, slaat u de gemaskeerde afbeeldingen op. Voer het Python-script uit voor voorbewerking en controleer de scans en maskers die zijn bijgesneden en opgeslagen in de map VOIs.
Voer het Python-script van de sequentiebouwer uit om de VOI's om te zetten in een set van drie opeenvolgende CT-segmenten om te gebruiken als invoer voor sequentie-U-Net. Controleer de opgeslagen, getransformeerde CT-scans en maskers in respectievelijk de scanmap en de maskermap en de vooraf verwerkte mappen. Als u het orbitale segmentatiemodel wilt bouwen, voert u het Python-script uit.
py en geef de vouwnummers. Stel het tijdperk in, het aantal trainings-iteraties, en stel de batchgrootte in, het aantal trainingsmonsters in één trainingssessie. Het script hoofd.
py kan worden uitgevoerd zonder de parsers, in welk geval het wordt uitgevoerd met standaardwaarden. Voer het testen van het model uit na de training en bereken de evaluatiestatistieken zoals dobbelsteenscore en volumeovereenkomst. Controleer ten slotte de resultaten die zijn opgeslagen als afbeeldingsbestanden.
De oogbolsegmentatie met behulp van sequentie U-Net voor orbitale structuursegmentatie bereikte een visuele gelijkenis of VS-score van 0,83 en een hoge dobbelsteenscore van 0,86 omdat het een groot deel van de VOI's en weinig heterogeniteit tussen CT-scans had. Een lage dobbelsteenscore van 0,54 werd bereikt voor de segmentatie van de extraoculaire spieren en 0,34 voor de oogzenuw, omdat ze zelden in het CT-volume verschenen en werden gevonden in een relatief klein aantal CT-plakjes. De visuele gelijkenisscores van de extraoculaire spieren en oogzenuw waren echter hoger dan hun dobbelsteenscores, wat aangeeft dat de specificiteit van segmentatie laag was.
Over het algemeen behaalde de segmentatie van alle orbitale substructuren een dobbelsteenscore van 0,79 en een visuele gelijkenisscore van 0,82. Afhankelijk van de toepassing kunnen de grootte van voi en het niveau van window clipping variëren. U kunt de code voor het maken van reeksen wijzigen voor andere geweldige doeleinden.
Ook kunnen de hyperparameters voor modeltraining worden aangepast. Het model werd getraind met 46 VOI's, wat geen groot aantal is voor modeltraining. Om de lage prestaties als gevolg van het kleine aantal trainingsdatasets te overwinnen, kunnen overdrachtsleren en domeinnotatie worden toegepast.
Overzicht
Deze studie introduceert een protocol voor objectsegmentatie van computertomografie (CT)-beelden van de oogkas, wat het maskeren van anatomische structuren faciliteert. Het protocol heeft tot doel de diagnose van aandoeningen aan de oogkas te verbeteren, welke lastig te biopseren zijn.
Belangrijkste Onderdelen van de Studie
Wetenschappelijk gebied
- Neurowetenschappen
- Medische Beeldvorming
- Computer Vision
Achtergrond
- Orbitaalziekten vereisen vaak niet-invasieve diagnostische methoden.
- CT-beeldvorming is een waardevol instrument voor het visualiseren van orbitale structuren.
- Bestaande methoden voor segmentatie zijn beperkt in nauwkeurigheid en efficiëntie.
- Super-resolutietechnieken kunnen de beeldkwaliteit verbeteren voor een betere segmentatie.
Doel van de studie
- Om een protocol te ontwikkelen voor nauwkeurige segmentatie van orbitale structuren in CT-beelden.
- Om het proces van het maskeren van anatomische delen voor analyse te stroomlijnen.
- Om een basis te leggen voor toekomstig onderzoek naar de diagnose van orbitale aandoeningen.
Gebruikte methoden
- Gebruik van superresolutie voor het labelen van de ground truth van orbitale structuren.
- Extractie van het volume van belang (VOI) uit CT-beelden.
- Implementatie van een 2D sequentieel U-Net-model voor multi-label segmentatie.
- Evaluatie van de segmentatieprestaties met behulp van metrieken zoals de dice-score en visuele gelijkenis.
Belangrijkste resultaten
- Een visuele overeenkomstscore van 0,83 en een dice-score van 0,86 werden behaald voor de segmentatie van de oogbol.
- Lagere dice-scores van 0,54 voor de extraoculaire spieren en 0,34 voor de oogzenuw vanwege het beperkte aantal verschijningen in CT-scans.
- De algehele segmentatie van orbitale substructuren leverde een dice-score van 0,79 op.
- De resultaten wijzen op het potentieel om de diagnostische nauwkeurigheid bij orbitale aandoeningen te verbeteren.
Conclusies
- Het ontwikkelde protocol verbetert de efficiëntie van de segmentatie van de orbitale structuur.
- Transfer learning kan noodzakelijk zijn om de prestaties van het model te verbeteren bij beperkte trainingsgegevens.
- Deze studie legt de basis voor toekomstige vorderingen in niet-invasieve orbitale diagnostiek.
Veelgestelde vragen
Relevantie voor de Industrie
Segmentatie van orbitale CT-beelden op basis van deep learning maakt een nauwkeurige, reproduceerbare afbakening van kritische anatomische structuren mogelijk, wat de vroege ontdekking en translationeel onderzoek naar ophthalmologische en neuro-ophthalmologische aandoeningen ondersteunt. Geautomatiseerde segmentatie met een hoge getrouwheid versnelt de ontwikkeling van ziekterelevante modellen en kwantitatieve imaging-biomarkers, waardoor de werklast voor handmatige annotatie wordt verminderd en het voorspellend vertrouwen in preklinische imaging-workflows wordt vergroot. Deze functionaliteit versterkt de besluitvorming over portfolio's door gestandaardiseerde, schaalbare imaging-eindpunten te bieden voor targetvalidatie en mechanistische risicoreductie.
Strategische toepassingen in biofarmaceutisch R&D
Vroege ontdekking & targetvalidatie
- Geautomatiseerde segmentatie maakt objectieve kwantificering van orbitale structuren mogelijk voor hypothesetoetsing.
- Ondersteunt functionele targetvalidatie door reproduceerbare imaging-readouts te leveren.
- Faciliteert mechanistische de-risking door precieze anatomische afbakening.
- Verbetert het voorspellend vertrouwen in vroegstadium oftalmologisch onderzoek.
Screening & assayontwikkeling
- Levert gevalideerde maskers met een hoge resolutie voor downstream workflows voor beeldanalyse.
- Standaardiseert segmentatie-outputs, wat de reproduceerbaarheid en schaalbaarheid van assays ondersteunt.
- Maakt kwantitatieve beoordeling van de effecten van verbindingen op de orbitale anatomie mogelijk.
- Bereidt datasets voor op robuuste screening en hergebruik van het platform.
Translationeel & Preklinisch Onderzoek
- Lijnt beeldeindpunten uit met anatomische kenmerken die relevant zijn voor de ziekte.
- Waarborgt continuïteit van imaging in de ontdekkingsfase naar preklinische validatiestudies.
- Ondersteunt risico-gecorrigeerde voortgang door het leveren van kwantitatieve, reproduceerbare imaging-biomarkers.
- Verhoogt het translationele vertrouwen bij beslissingspunten op basis van imaging.
Integratie van Pipeline & Workflow
Dit segmentatieprotocol is geïntegreerd in het continuüm van beeldvormingsonderzoek, van vroege hypothesetesten tot de ontwikkeling van preklinische modellen en translationele biomarker-validatie.
- Ontdekkingsbiologie: Maakt rigoureuze toetsing van de nulhypothese mogelijk door specifieke orbitale structuren te isoleren en te kwantificeren.
- Screening: Levert gestandaardiseerde, reproduceerbare segmentatiemaskers voor high-throughput beeldanalyse.
- Analytica: Levert kwantitatieve metrieken zoals de dice score en visuele gelijkenis voor vergelijkingen tussen verschillende condities.
- Translationeel onderzoek: Slaat een brug tussen discovery imaging en preklinische eindpunten door segmentatie-outputs af te stemmen op ziekte-relevante anatomie.
- Zakelijke herbruikbaarheid: Biedt een schaalbaar, aanpasbaar protocol dat kan worden toegepast op andere anatomische regio's en beeldvormingsmodaliteiten.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellend vertrouwen en vermindert ambiguïteit bij targetvalidatie op basis van beeldvorming.
- Operationele waarde: Stroomlijnt annotatie, verbetert de reproduceerbaarheid en ondersteunt schaalbare beeldvormingsworkflows.
- Strategische waarde: Verbetert go/no-go-beslissingen en kapitaalefficiëntie door het leveren van robuuste beeldvormingsendpunten.
- Impact op portfolio: Maakt risico-gecorrigeerde prioritering en voortgang van beeldgestuurde programma's mogelijk.
Overwegingen voor de implementatie
- Vereist expertise in deep learning, medische beeldanalyse en workflowbeheer op basis van Python.
- Heeft toegang nodig tot hoogwaardige CT-beeldgegevens en computationele infrastructuur voor modeltraining en evaluatie.
- Vereist standaardisatie van annotatieprotocollen en evaluatiemetrieken tussen teams.
- Aanpasbaar aan andere anatomische regio's door modificatie van de voorbewerking en modelparameters.
- De prestaties kunnen beperkt worden door de omvang van de trainingsdataset; transfer learning kan dataschaarste beperken.
Biopharma Veelgestelde Vragen
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
