Применение сегментации медицинских изображений на основе глубокого обучения с помощью орбитальной компьютерной томографии
30 ноября 2022 г.
Введен протокол сегментации объектов для изображений орбитальной компьютерной томографии (КТ). Методы маркировки наземной истинности орбитальных структур с использованием сверхразрешения, извлечения интересующего объема из изображений КТ и моделирования сегментации с несколькими метками с использованием 2D последовательной U-Net для орбитальных изображений КТ объясняются для контролируемого обучения.
В этом исследовании мы представили протокол сегментации объектов для орбитальных компьютерных томографических изображений. Это первое испытание в мире. Используя эту программу, вы можете легко маскировать любую анатомическую часть там, где вы хотите.
Он визуализирует и экономит ваше время и силы. Мы надеемся, что это исследование может стать краеугольным камнем для диагностики орбитальных заболеваний, которые трудны для биопсии. Начните с запуска программы маскировки.
Чтобы загрузить орбитальный CT, щелкните значок открытого файла и выберите целевой файл CT. Чтобы замаскировать глазное яблоко, зрительный нерв и экстраокулярные мышцы с помощью суперпикселей, запустите SmartPencil, щелкнув мастер SmartPencil в MediLabel. Затем при необходимости контролируйте разрешение суперпиксельной карты и нажмите на скопление суперпикселей глазного яблока, экстраокулярных мышц и зрительного нерва на суперпиксельной карте, где сгруппированы пиксели с аналогичными значениями интенсивности изображения.
Чтобы уточнить маски, нажмите на мастер SmartFill после маскировки некоторых суперпикселей на фрагментах, затем щелкните значок автозамены и убедитесь, что вычислены исправленные метки масок. После завершения уточнения маскировки сохраните замаскированные изображения. Запустите скрипт Python для предварительной обработки и проверьте сканы и маски, которые обрезаны и сохранены в папке VOI.
Запустите скрипт Python построителя последовательностей, чтобы преобразовать VOI в набор из трех последовательных фрагментов CT для использования в качестве входных данных для последовательности U-Net. Проверьте сохраненные, преобразованные компьютерные томограммы и маски в папке сканирования и папке маски и предварительно обработанных папках соответственно. Чтобы построить модель сегментации орбиты, запустите скрипт Python main.
py и дайте сгибовые числа. Задайте эпоху, которая представляет собой количество итераций обучения, и установите размер пакета, который представляет собой количество обучающих образцов за одну тренировку. Сценарий главный.
py может работать без синтаксических анализаторов, и в этом случае он работает со значениями по умолчанию. Выполните тестирование модели после обучения и рассчитайте метрики оценки, такие как оценка костей и сходство объема. Наконец, проверьте результаты, сохраненные в виде файлов изображений.
Сегментация глазного яблока с использованием последовательности U-Net для сегментации орбитальной структуры достигла визуального сходства или оценки VS 0,83 и высокой оценки игральных костей 0,86, потому что она имела большую часть VOI и небольшую гетерогенность между компьютерными томографиями. Низкий балл кости 0,54 был достигнут для сегментации экстраокулярных мышц и 0,34 для зрительного нерва, потому что они нечасто появлялись в объеме КТ и были обнаружены в относительно небольшом количестве срезов КТ. Тем не менее, показатели визуального сходства экстраокулярных мышц и зрительного нерва были выше, чем их показатели костей, что указывает на то, что специфичность сегментации была низкой.
В целом, сегментация всех орбитальных подструктур достигла оценки игральных костей 0,79 и оценки визуального сходства 0,82. В зависимости от приложения размер VOI и уровень обрезания окон могут варьироваться. Код построителя последовательностей можно модифицировать для других важных целей.
Кроме того, гиперпараметры для обучения модели могут быть изменены. Модель была обучена с 46 VOI, что не является большим числом для обучения модели. Чтобы преодолеть низкую производительность из-за небольшого количества обучающих наборов данных, можно было бы применить трансферное обучение и нотацию предметной области.
Обзор
В данном исследовании представлен протокол сегментации объектов на изображениях компьютерной томографии (КТ) орбиты, который упрощает маскирование анатомических структур. Протокол направлен на улучшение диагностики заболеваний орбиты, при которых проведение биопсии затруднительно.
Основные компоненты исследования
Область науки
- Нейробиология
- Медицинская визуализация
- Компьютерное зрение
Теоретическая часть
- Заболевания орбиты часто требуют использования неинвазивных методов диагностики.
- КТ-визуализация является ценным инструментом для исследования структур орбиты.
- Существующие методы сегментации ограничены в точности и эффективности.
- Методы сверхразрешения позволяют улучшить качество изображений для более точной сегментации.
Цель исследования
- Разработать протокол для точной сегментации орбитальных структур на КТ-изображениях.
- Оптимизировать процесс маскирования анатомических частей для последующего анализа.
- Создать основу для будущих исследований в области диагностики заболеваний орбиты.
Используемые методы
- Использование сверхразрешения для разметки эталонных значений орбитальных структур.
- Выделение интересующего объема (VOI) из КТ-изображений.
- Реализация двухмерной последовательной модели U-Net для многоклассовой сегментации.
- Оценка эффективности сегментации с использованием таких метрик, как коэффициент Дайса и визуальное сходство.
Основные результаты
- Достигнуто значение показателя визуального сходства 0,83 и коэффициент Дайса 0,86 для сегментации глазного яблока.
- Более низкие значения коэффициента Дайса составили 0,54 для внеглазных мышц и 0,34 для зрительного нерва из-за их ограниченной визуализации на КТ-снимках.
- Общая сегментация орбитальных подструктур обеспечила коэффициент Дайса 0,79.
- Результаты указывают на потенциал повышения точности диагностики заболеваний орбиты.
Выводы
- Разработанный протокол повышает эффективность сегментации структуры орбиты.
- Для улучшения работы модели при ограниченном объеме обучающих данных может потребоваться перенос обучения (transfer learning).
- Данное исследование закладывает основу для дальнейшего развития методов неинвазивной диагностики орбиты.
Часто задаваемые вопросы
Практическая значимость для отрасли
Сегментация изображений КТ орбиты на основе глубокого обучения позволяет осуществлять точное и воспроизводимое определение границ критических анатомических структур, что способствует раннему выявлению патологий и проведению трансляционных исследований офтальмологических и нейроофтальмологических заболеваний. Автоматизированная высокоточная сегментация ускоряет разработку релевантных моделей заболеваний и количественных визуализационных биомаркеров, снижая нагрузку по ручной разметке и повышая достоверность прогнозов в рабочих процессах доклинической визуализации. Данная возможность укрепляет процесс принятия решений по портфелю проектов, обеспечивая стандартизированные и масштабируемые конечные точки визуализации для валидации мишеней и снижения механистических рисков.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранние этапы поиска и валидация мишеней
- Автоматическая сегментация обеспечивает объективную количественную оценку структур орбиты для проверки гипотез.
- Поддерживает функциональную валидацию мишени, обеспечивая воспроизводимые результаты визуализации.
- Способствует снижению механистических рисков за счет точного анатомического разграничения.
- Повышает прогностическую достоверность на ранних этапах офтальмологических исследований.
Скрининг и разработка анализа
- Обеспечивает получение валидированных масок высокого разрешения для последующих этапов анализа изображений.
- Стандартизирует результаты сегментации, поддерживая воспроизводимость и масштабируемость анализа.
- Позволяет проводить количественную оценку влияния соединений на анатомию орбиты.
- Готовит наборы данных для надежного скрининга и повторного использования платформы.
Трансляционные и доклинические исследования
- Сопоставляет конечные точки визуализации с анатомическими особенностями, имеющими значение для заболевания.
- Обеспечивает преемственность между этапом поиска методов визуализации и доклиническими валидационными исследованиями.
- Поддерживает продвижение проекта с учетом рисков за счет предоставления количественных и воспроизводимых биомаркеров визуализации.
- Повышает уверенность в трансляционном потенциале при принятии решений на основе данных визуализации.
Интеграция конвейера и рабочего процесса
Данный протокол сегментации интегрирован в общий процесс визуализационных исследований: от начальной проверки гипотез до разработки доклинических моделей и валидации трансляционных биомаркеров.
- Биология открытий: Обеспечивает строгую проверку нулевой гипотезы путем изоляции и количественной оценки конкретных орбитальных структур.
- Скрининг: Предоставляет стандартизированные, воспроизводимые маски сегментации для высокопроизводительного анализа изображений.
- Аналитика: Выдает количественные показатели, такие как коэффициент Дайса и визуальное сходство, для сравнения различных условий.
- Трансляционные исследования: Связывает визуализацию на этапе открытий с доклиническими конечными точками путем сопоставления результатов сегментации с анатомией, значимой для заболевания.
- Корпоративное использование: Предлагает масштабируемый, модифицируемый протокол, который можно адаптировать к другим анатомическим областям и методам визуализации.
Операционное и корпоративное воздействие
- Научная ценность: Повышает точность прогнозов и снижает неоднозначность при валидации мишеней на основе методов визуализации.
- Операционная ценность: Оптимизирует процесс аннотирования, повышает воспроизводимость и поддерживает масштабируемые рабочие процессы визуализации.
- Стратегическая ценность: Улучшает принятие решений о продолжении или прекращении разработки («go/no-go») и эффективность использования капитала за счет предоставления надежных конечных точек визуализации.
- Влияние на портфель: Обеспечивает приоритизацию с учетом рисков и продвижение программ, основанных на методах визуализации.
Особенности реализации
- Требуется опыт в области глубокого обучения, анализа медицинских изображений и управления рабочими процессами на базе Python.
- Необходим доступ к высококачественным данным КТ-визуализации и вычислительной инфраструктуре для обучения и оценки модели.
- Требуется межкомандная стандартизация протоколов аннотирования и метрик оценки.
- Метод может быть адаптирован для других анатомических областей путем модификации предварительной обработки и параметров модели.
- Эффективность может быть ограничена объемом обучающего набора данных; применение переноса обучения (transfer learning) позволяет частично решить проблему нехватки данных.
Часто задаваемые вопросы по биофармацевтике
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
