Toepassing van deep learning-gebaseerde medische beeldsegmentatie via orbitale computertomografie
November 30th, 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 objectsegmentatieprotocol voor orbitale computertomografie (CT) beelden, wat het maskeren van anatomische structuren vergemakkelijkt. Het protocol heeft tot doel de diagnose van orbitale ziekten te verbeteren, die moeilijk te biopsiëren zijn.
Belangrijkste studiecomponenten
Wetenschapsgebied
- Neurowetenschappen
- Medische beeldvorming
- Computervisie
Achtergrond
- Orbitale ziekten vereisen vaak niet-invasieve diagnostische methoden.
- CT-beeldvorming is een waardevol hulpmiddel voor het visualiseren van orbitale structuren.
- Bestaande methoden voor segmentatie zijn beperkt in nauwkeurigheid en efficiëntie.
- Superresolutietechnieken kunnen de beeldkwaliteit verbeteren voor betere segmentatie.
Doel van het onderzoek
- 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 bieden voor toekomstig onderzoek naar de diagnose van orbitale ziekten.
Gebruikte methoden
- Gebruik van superresolutie voor het labelen van de grondwaarheid van orbitale structuren.
- Extractie van volume of interest (VOI) uit CT-beelden.
- Implementatie van een 2D sequentieel U-Net model voor multi-label segmentatie.
- Evaluatie van segmentatieprestaties met behulp van metrics zoals dice score en visuele gelijkenis.
Belangrijkste resultaten
- Een visuele gelijkenisscore van 0,83 en een dice score van 0,86 behaald voor oogbalsegmentatie.
- Lagere dice scores van 0,54 voor extraoculaire spieren en 0,34 voor de oogzenuw vanwege beperkte verschijningen in CT-scans.
- De algehele segmentatie van orbitale substructuren leverde een dice score van 0,79 op.
- Resultaten wijzen op potentieel voor verbetering van de diagnostische nauwkeurigheid bij orbitale ziekten.
Conclusies
- Het ontwikkelde protocol verbetert de efficiëntie van orbitale structuursegmentatie.
- Transfer learning kan nodig zijn om de modelprestaties te verbeteren met beperkte trainingsgegevens.
- Deze studie legt de basis voor toekomstige ontwikkelingen in niet-invasieve orbitale diagnostiek.
Veelgestelde vragen
Executive Industry Relevance
Deep learning-based segmentation of orbital CT images enables precise, reproducible delineation of critical anatomical structures, supporting early discovery and translational research in ophthalmic and neuro-ophthalmic disorders. Automated, high-fidelity segmentation accelerates the development of disease-relevant models and quantitative imaging biomarkers, reducing manual annotation burden and enhancing predictive confidence in preclinical imaging workflows. This capability strengthens portfolio decision-making by providing standardized, scalable imaging endpoints for target validation and mechanistic de-risking.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Automated segmentation enables objective quantification of orbital structures for hypothesis testing.
- Supports functional target validation by providing reproducible imaging readouts.
- Facilitates mechanistic de-risking through precise anatomical delineation.
- Improves predictive confidence in early-stage ophthalmic research.
Screening & Assay Development
- Delivers validated, high-resolution masks for downstream image analysis workflows.
- Standardizes segmentation outputs, supporting reproducibility and assay scalability.
- Enables quantitative assessment of compound effects on orbital anatomy.
- Prepares datasets for robust screening and platform reuse.
Translational & Preclinical Research
- Aligns imaging endpoints with disease-relevant anatomical features.
- Ensures continuity from discovery imaging to preclinical validation studies.
- Supports risk-adjusted advancement by providing quantitative, reproducible imaging biomarkers.
- Enhances translational confidence in imaging-based decision points.
Pipeline & Workflow Integration
This segmentation protocol integrates into the imaging discovery continuum, from early hypothesis testing through preclinical model development and translational biomarker validation.
- Discovery Biology: Enables rigorous null hypothesis testing by isolating and quantifying specific orbital structures.
- Screening: Provides standardized, reproducible segmentation masks for high-throughput image analysis.
- Analytics: Outputs quantitative metrics such as dice score and visual similarity for cross-condition comparison.
- Translational Research: Bridges discovery imaging with preclinical endpoints by aligning segmentation outputs to disease-relevant anatomy.
- Enterprise Reuse: Offers a scalable, modifiable protocol adaptable to other anatomical regions and imaging modalities.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces ambiguity in imaging-based target validation.
- Operational Value: Streamlines annotation, enhances reproducibility, and supports scalable imaging workflows.
- Strategic Value: Improves go/no-go decisions and capital efficiency by providing robust imaging endpoints.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of imaging-driven programs.
Implementation Considerations
- Requires expertise in deep learning, medical image analysis, and Python-based workflow management.
- Needs access to high-quality CT imaging data and computational infrastructure for model training and evaluation.
- Demands cross-team standardization of annotation protocols and evaluation metrics.
- Adaptable to other anatomical regions with modification of pre-processing and model parameters.
- Performance may be limited by training dataset size; transfer learning can mitigate data scarcity.
Biopharma FAQs
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
