Aplicação da Segmentação de Imagem Médica Baseada em Deep Learning via Tomografia Computadorizada Orbital
30 de novembro de 2022
Um protocolo de segmentação de objetos para imagens de tomografia computadorizada (TC) orbital é introduzido. Os métodos de rotular a verdade do solo de estruturas orbitais usando super-resolução, extraindo o volume de interesse de imagens de TC e modelando segmentação multi-label usando U-Net sequencial 2D para imagens de TC orbitais são explicados para aprendizado supervisionado.
Introduzimos o protocolo de segmentação de objetos para imagens de tomografia computadorizada orbital neste estudo. É o primeiro julgamento no mundo. Usando este programa, você pode fazer mascaramento em qualquer parte de anatomia facilmente onde você quiser.
Ele visualiza e economiza seu tempo e esforço. Esperamos que este estudo possa ser uma pedra angular para o diagnóstico de doenças orbitárias, que são difíceis para a biópsia. Comece executando o programa de software de mascaramento.
Para carregar a TC orbital, clique no ícone de arquivo aberto e selecione o arquivo CT de destino. Para mascarar o globo ocular, o nervo óptico e os músculos extraoculares usando superpixels, execute o SmartPencil clicando no assistente SmartPencil no MediLabel. Em seguida, controle a resolução do mapa de superpixels, se necessário, e clique no conjunto de superpixels do globo ocular, músculos extraoculares e nervo óptico no mapa de superpixels, onde pixels de valores de intensidade de imagem semelhantes estão agrupados.
Para refinar as máscaras, clique no assistente SmartFill depois de mascarar alguns dos superpixels nas fatias e, em seguida, clique no ícone de AutoCorreção e verifique se os rótulos de máscara corrigidos são computados. Quando o refinamento do mascaramento estiver completo, salve as imagens mascaradas. Execute o script Python para pré-processamento e verifique as varreduras e máscaras que são cortadas e salvas na pasta VOIs.
Execute o script Python do construtor de sequências para transformar as VOIs em um conjunto de três fatias de CT sequenciais para usar como entrada para a sequência U-Net. Verifique as tomografias computadorizadas salvas e transformadas e as máscaras na pasta de varredura e na pasta de máscaras e nas pastas pré-processadas, respectivamente. Para construir o modelo de segmentação orbital, execute o script Python main.
py e dê os números da dobra. Defina a época, que é o número de iterações de treinamento, e defina o tamanho do lote, que é o número de amostras de treinamento em uma única sessão de treinamento. O script principal.
py pode ser executado sem os analisadores, caso em que ele é executado com valores padrão. Realize o teste do modelo após o treinamento e calcule as métricas de avaliação, como pontuação de dados e similaridade de volume. Finalmente, verifique os resultados salvos como arquivos de imagem.
A segmentação do globo ocular utilizando a sequência U-Net para segmentação da estrutura orbital alcançou uma similaridade visual ou escore VS de 0,83 e um alto escore de dados de 0,86 por apresentar uma grande parcela das VOIs e pouca heterogeneidade entre as tomografias. Um escore baixo de dados de 0,54 para a segmentação dos músculos extraoculares e 0,34 para o nervo óptico, porque eles raramente apareciam no volume da TC e foram encontrados em um número relativamente pequeno de cortes tomográficos. No entanto, os escores de similaridade visual dos músculos extraoculares e do nervo óptico foram superiores aos seus escores de dados, o que indica que a especificidade da segmentação foi baixa.
No geral, a segmentação de todas as subestruturas orbitais alcançou uma pontuação de dados de 0,79 e uma pontuação de similaridade visual de 0,82. Dependendo da aplicação, o tamanho do VOI e o nível de recorte de janela podem variar. Você pode modificar o código do construtor de sequência para outros fins excelentes.
Além disso, os hiperparâmetros para o treinamento do modelo podem ser modificados. O modelo foi treinado com 46 VOIs, o que não é um grande número para o treinamento do modelo. Para superar o baixo desempenho devido ao pequeno número de conjuntos de dados de treinamento, o aprendizado de transferência e a notação de domínio poderiam ser aplicados.
Visão Geral
Este estudo apresenta um protocolo de segmentação de objetos para imagens de tomografia computadorizada (TC) orbitária, facilitando a delimitação de estruturas anatômicas. O protocolo tem como objetivo melhorar o diagnóstico de doenças orbitárias, que são difíceis de biopsiar.
Componentes Principais do Estudo
Área de Ciência
- Neurociência
- Imagem Médica
- Visão Computacional
Antecedentes
- As doenças orbitárias frequentemente requerem métodos diagnósticos não invasivos.
- A imagem por TC é uma ferramenta valiosa para visualizar estruturas orbitárias.
- Os métodos existentes de segmentação são limitados em precisão e eficiência.
- Técnicas de super-resolução podem melhorar a qualidade da imagem para uma segmentação mais precisa.
Objetivo do Estudo
- Desenvolver um protocolo para a segmentação precisa de estruturas orbitárias em imagens de TC.
- Agilizar o processo de mascaramento de partes anatômicas para análise.
- Fornecer uma base para pesquisas futuras no diagnóstico de doenças orbitárias.
Métodos Utilizados
- Utilização de super-resolução para rotular o padrão-ouro de estruturas orbitárias.
- Extração do volume de interesse (VOI) a partir de imagens de TC.
- Implementação de um modelo U-Net sequencial 2D para segmentação multirrótulo.
- Avaliação do desempenho da segmentação utilizando métricas como o coeficiente de Dice e a semelhança visual.
Resultados Principais
- Obteve um índice de similaridade visual de 0,83 e um índice dice de 0,86 para a segmentação do globo ocular.
- Índices dice mais baixos de 0,54 para os músculos extraoculares e de 0,34 para o nervo óptico, devido à aparência limitada nas tomografias computadorizadas.
- A segmentação geral das subestruturas orbitárias apresentou um índice dice de 0,79.
- Os resultados indicam potencial para melhorar a precisão diagnóstica nas doenças orbitárias.
Conclusões
- O protocolo desenvolvido aumenta a eficiência da segmentação da estrutura orbitária.
- Pode ser necessário recorrer ao aprendizado por transferência para melhorar o desempenho do modelo com dados de treinamento limitados.
- Este estudo estabelece as bases para avanços futuros em diagnósticos orbitários não invasivos.
Perguntas Frequentes
Relevância Executiva para a Indústria
A segmentação baseada em aprendizado profundo de imagens de TC orbitária permite a delimitação precisa e reprodutível de estruturas anatômicas críticas, apoiando a descoberta precoce e a pesquisa translacional em distúrbios oftálmicos e neurooftálmicos. A segmentação automatizada e de alta fidelidade acelera o desenvolvimento de modelos relevantes para doenças e biomarcadores de imagem quantitativos, reduzindo a carga de anotação manual e aumentando a confiança preditiva nos fluxos de trabalho de imagem pré-clínica. Essa capacidade fortalece a tomada de decisões em portfólios ao fornecer pontos finais de imagem padronizados e escalonáveis para validação de alvos e redução de riscos mecanicistas.
Aplicações Estratégicas em P&D de Biotecnologia e Farmacêuticos
Descoberta Inicial e Validação de Alvos
- A segmentação automatizada permite a quantificação objetiva de estruturas orbitárias para testes de hipóteses.
- Apoia a validação funcional de alvos ao fornecer leituras de imagem reprodutíveis.
- Facilita a redução de riscos mecanicistas por meio da delimitação anatômica precisa.
- Melhora a confiança preditiva na pesquisa oftálmica em estágios iniciais.
Desenvolvimento de Triagem e Ensaios
- Fornece máscaras validadas de alta resolução para fluxos de trabalho de análise de imagem downstream.
- Padroniza os resultados de segmentação, favorecendo a reprodutibilidade e a escalabilidade do ensaio.
- Permite a avaliação quantitativa dos efeitos de compostos na anatomia orbital.
- Prepara conjuntos de dados para triagem robusta e reutilização da plataforma.
Pesquisa Translacional e Pré-clínica
- Alinha os pontos finais de imagem com características anatômicas relevantes para a doença.
- Garante a continuidade desde os estudos de imagem de descoberta até as validações pré-clínicas.
- Apoia o avanço ajustado ao risco ao fornecer biomarcadores de imagem quantitativos e reprodutíveis.
- Reforça a confiança translacional nas decisões baseadas em imagem.
Integração de Pipeline e Fluxo de Trabalho
Este protocolo de segmentação se integra ao continuum de descoberta por imagem, desde a fase inicial de testes de hipóteses até o desenvolvimento de modelos pré-clínicos e a validação translacional de biomarcadores.
- Biologia da Descoberta: Permite testes rigorosos de hipóteses nulas ao isolar e quantificar estruturas orbitárias específicas.
- Triagem: Fornece máscaras de segmentação padronizadas e reprodutíveis para análise de imagem de alto rendimento.
- Análise: Gera métricas quantitativas, como escore de Dice e similaridade visual, para comparação entre condições.
- Pesquisa Translacional: Conecta a imagem de descoberta com desfechos pré-clínicos ao alinhar as saídas de segmentação com a anatomia relevante para a doença.
- Reutilização Empresarial: Oferece um protocolo escalável e modificável, adaptável a outras regiões anatômicas e modalidades de imagem.
Impacto Operacional e Empresarial
- Valor Científico: Aumenta a confiança preditiva e reduz a ambiguidade na validação de alvos baseada em imagens.
- Valor Operacional: Agiliza a anotação, melhora a reprodutibilidade e apoia fluxos de trabalho de imagem escaláveis.
- Valor Estratégico: Melhora as decisões de prosseguir ou interromper projetos e a eficiência do capital ao fornecer desfechos de imagem robustos.
- Impacto no Portfólio: Permite a priorização e o avanço ajustados ao risco de programas orientados por imagens.
Considerações sobre a Implementação
- Requer experiência em aprendizado profundo, análise de imagens médicas e gerenciamento de fluxo de trabalho baseado em Python.
- Exige acesso a dados de imagem de tomografia computadorizada de alta qualidade e infraestrutura computacional para treinamento e avaliação do modelo.
- Exige padronização entre equipes dos protocolos de anotação e métricas de avaliação.
- Pode ser adaptado a outras regiões anatômicas mediante modificação dos parâmetros de pré-processamento e do modelo.
- O desempenho pode ser limitado pelo tamanho do conjunto de dados de treinamento; o aprendizado por transferência pode atenuar a escassez de dados.
Perguntas Frequentes sobre Biotecnologia Farmacêutica
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
