Zastosowanie segmentacji obrazów medycznych opartej na głębokim uczeniu za pomocą orbitalnej tomografii komputerowej
November 30th, 2022
Wprowadzono protokół segmentacji obiektów dla obrazów z orbitalnej tomografii komputerowej (CT). Metody oznaczania podstawowej prawdy struktur orbitalnych za pomocą superrozdzielczości, wyodrębniania objętości zainteresowania z obrazów CT i modelowania segmentacji wieloznacznikowej przy użyciu sekwencyjnej sieci U-Net 2D dla orbitalnych obrazów CT są wyjaśnione dla uczenia nadzorowanego.
W tym badaniu wprowadziliśmy protokół segmentacji obiektów dla obrazów orbitalnej tomografii komputerowej. Jest to pierwsza próba na świecie. Za pomocą tego programu możesz łatwo wykonać maskowanie dowolnej części anatomii w dowolnym miejscu.
Wizualizuje i oszczędza Twój czas i wysiłek. Mamy nadzieję, że to badanie może być kamieniem węgielnym w diagnostyce chorób oczodołu, które są trudne do biopsji. Zacznij od uruchomienia programu do maskowania.
Aby załadować orbitalną tomografię komputerową, kliknij ikonę otwartego pliku i wybierz docelowy plik CT. Aby zamaskować gałkę oczną, nerw wzrokowy i mięśnie zewnątrzgałkowe za pomocą superpikseli, uruchom SmartPencil, klikając kreator SmartPencil w MediLabel. Następnie w razie potrzeby kontroluj rozdzielczość mapy superpikseli i kliknij klaster superpikseli gałki ocznej, mięśni zewnątrzgałki ocznej i nerwu wzrokowego na mapie superpikselowej, gdzie grupowane są piksele o podobnych wartościach intensywności obrazu.
Aby dopracować maski, kliknij kreatora SmartFill po zamaskowaniu niektórych superpikseli na plasterkach, a następnie kliknij ikonę Autokorekty i upewnij się, że zostały obliczone poprawione etykiety masek. Po zakończeniu udoskonalania maskowania zapisz zamaskowane obrazy. Uruchom skrypt Pythona do wstępnego przetwarzania i sprawdź skany i maski, które są przycięte i zapisane w folderze VOIs.
Uruchom skrypt Pythona konstruktora sekwencji, aby przekształcić VOI w zestaw trzech sekwencyjnych wycinków CT, które mają być używane jako dane wejściowe dla sekwencji U-Net. Sprawdź zapisane, przekształcone skany i maski CT odpowiednio w folderze skanowania i folderze maski oraz folderach wstępnie przetworzonych. Aby zbudować model segmentacji orbitalnej, uruchom skrypt głównego języka Python.
py i podaj liczby zagięć. Ustaw epokę, która jest liczbą iteracji trenowania, i ustaw rozmiar partii, który jest liczbą próbek treningowych w jednej sesji trenowania. Skrypt główny.
py może działać bez analizatorów, w takim przypadku jest uruchamiany z wartościami domyślnymi. Przeprowadź testowanie modelu po trenowaniu i oblicz metryki oceny, takie jak wynik kości i podobieństwo woluminu. Na koniec sprawdź wyniki zapisane jako pliki obrazów.
Segmentacja gałki ocznej przy użyciu sekwencji U-Net do segmentacji struktury oczodołu osiągnęła podobieństwo wizualne lub wynik VS wynoszący 0,83 i wysoki wynik kostki wynoszący 0,86, ponieważ zawierała dużą część VOI i niewielką heterogeniczność między skanami CT. Niski wynik w skali kości wynoszący 0,54 uzyskano dla segmentacji mięśni zewnątrzgałkowych i 0,34 dla nerwu wzrokowego, ponieważ rzadko pojawiały się one w objętości tomografii komputerowej i znajdowały się w stosunkowo niewielkiej liczbie wycinków tomografii komputerowej. Jednak wyniki podobieństwa wizualnego mięśni zewnątrzgałkowych i nerwu wzrokowego były wyższe niż ich wyniki w kostkach, co wskazuje, że swoistość segmentacji była niska.
Ogólnie rzecz biorąc, segmentacja wszystkich podstruktur orbitalnych osiągnęła wynik kostki 0,79 i wynik podobieństwa wizualnego 0,82. W zależności od aplikacji rozmiar VOI i poziom przycinania okien mogą się różnić. Możesz zmodyfikować kod konstruktora sekwencji do innych wspaniałych celów.
Ponadto można modyfikować hiperparametry trenowania modelu. Model został wytrenowany za pomocą 46 VOI, co nie jest dużą liczbą w przypadku trenowania modelu. Aby przezwyciężyć niską wydajność wynikającą z małej liczby zestawów danych treningowych, można zastosować uczenie transferowe i notację domeny.
Przegląd
Niniejsze badanie wprowadza protokół segmentacji obiektów dla obrazów tomografii komputerowej (TK) orbit, ułatwiając maskowanie struktur anatomicznych. Protokół ma na celu poprawę diagnozy chorób orbity, które są trudne do biopsji.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauki
- Wizualizacja medyczna
- Widzenie komputerowe
Tło
- Choroby orbity często wymagają nieinwazyjnych metod diagnostycznych.
- Wizja TK jest cennym narzędziem do wizualizacji struktur orbity.
- Istniejące metody segmentacji są ograniczone w dokładności i efektywności.
- Techniki super-rozdzielczości mogą poprawić jakość obrazu dla lepszej segmentacji.
Cel badania
- Opracowanie protokołu dla dokładnej segmentacji struktur orbity w obrazach TK.
- Uproszczenie procesu maskowania części anatomicznych do analizy.
- Zastąpienie podstawy dla przyszłych badań nad diagnozą chorób orbity.
Zastosowane metody
- Wykorzystanie super-rozdzielczości do etykietowania prawdy podstawowej struktur orbity.
- Ekstrakcja objętości zainteresowania (VOI) z obrazów TK.
- Implementacja modelu 2D sekwencyjnego U-Net dla segmentacji wieloetykietowej.
- Ocenę wydajności segmentacji przy użyciu wskaźników takich jak dice score i podobieństwo wizualne.
Główne wyniki
- Osiągnięto wynik podobieństwa wizualnego 0,83 i wynik dice 0,86 dla segmentacji gałki ocznej.
- Niższe wyniki dice 0,54 dla mięśni pozaoczodomowych i 0,34 dla nerwu wzrokowego z powodu ograniczonego występowania w skanах TK.
- Ogólna segmentacja podstruktur orbity wyniosła wynik dice 0,79.
- Wyniki wskazują na potencjał poprawy dokładności diagnostycznej w chorobach orbity.
Wnioski
- Opracowany protokół poprawia efektywność segmentacji struktur orbity.
- Transfer uczenia się może być konieczny, aby poprawić wydajność modelu przy ograniczonych danych treningowych.
- To badanie stanowi podstawę dla przyszłych postępów w nieinwazyjnej diagnostyce orbity.
Często zadawane pytania
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
