Применение сегментации медицинских изображений на основе глубокого обучения с помощью орбитальной компьютерной томографии
November 30th, 2022
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
Это исследование представляет протокол сегментации объектов для компьютерной томографии (КТ) орбитальных изображений, облегчающий маскировку анатомических структур. Протокол направлен на улучшение диагностики орбитальных заболеваний, которые трудно исследовать биопсией.
Основные компоненты исследования
Область науки
- Нейробиология
- Медицинские исследования
- Компьютерное зрение
Предпосылки
- Орбитальные заболевания часто требуют неинвазивных методов диагностики.
- КТ-визуализация является ценным инструментом для визуализации орбитальных структур.
- Существующие методы сегментации ограничены в точности и эффективности.
- Техники сверхразрешающей обработки могут улучшить качество изображений для более точной сегментации.
Цель исследования
- Разработать протокол для точной сегментации орбитальных структур на КТ-изображениях.
- Упростить процесс маскировки анатомических частей для анализа.
- Создать основу для будущих исследований в диагностике орбитальных заболеваний.
Использованные методы
- Использование сверхразрешения для маркировки фактических данных орбитальных структур.
- Извлечение объема интереса (ОИ) из КТ-изображений.
- Реализация 2D последовательной модели U-Net для сегментации с несколькими метками.
- Оценка эффективности сегментации с использованием таких показателей, как оценка Dice и визуальное сходство.
Основные результаты
- Достигнут показатель визуального сходства 0.83 и оценка Dice 0.86 для сегментации глазного яблока.
- Низкие оценки Dice 0.54 для внеглазничных мышц и 0.34 для зрительного нерва из-за их ограниченного появления в КТ-сканах.
- Общая сегментация орбитальных подструктур дала оценку Dice 0.79.
- Результаты указывают на потенциал улучшения диагностической точности при орбитальных заболеваниях.
Выводы
- Разработанный протокол повышает эффективность сегментации орбитальных структур.
- Перенос обучения может потребоваться для улучшения производительности модели с ограниченными данными для обучения.
- Это исследование закладывает основу для будущих достижений в неинвазивной диагностике орбиты.
Часто задаваемые вопросы
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
