Konjenital diyafragmatik fıtıkta Akciğer Damarlarının Derin Öğrenme Kullanılarak Otomatik Nicel Analizi

Emrah Aydin; Cihan Bilge Kayasandik; Aslıgül Aksan; Mustafa Ekrem Erakin; Jose Luis Peiro

doi:10.3791/70428

Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Konjenital diyafragmatik fıtıkta Akciğer Damarlarının Derin Öğrenme Kullanılarak Otomatik Nicel Analizi

112 görüntüleme

⸱

DOI:

10.3791/70428

⸱

8 Mayıs 2026

Emrah Aydin¹^,² , Cihan Bilge Kayasandik³ , Aslıgül Aksan³ , Mustafa Ekrem Erakin³ , Jose Luis Peiro⁴

¹Division of Maternal Fetal Medicine, Jackson Fetal Care, Department of Obstetrics, Gynecology, and Reproductive Sciences, Miller School of Medicine, University of Miami, ²Department of Biongineering, Faculty of Chemical and Metallurgical Engineering, Yildiz Technical University, ³Department of Computer Engineering, Istanbul Medipol University, ⁴NYU-Langone Health Advanced Fetal Center

Bu makalede

Özet

Bu protokol, neonatal BT taramalarında akciğer damarlarının segmentasyonu ve analizi için tam otomatik derin öğrenme boru hattını tanımlar. Bu yöntem, doğuştan diyafram fıtığı (CDH) ve kontrol deneklerinde damar gelişiminin nicel morfometrik değerlendirmesini sağlar ve akciğer hipoplazisi ile damar yeterinliklerinin invaziv olmayan karakterizasyonunu destekler.

Özet

Doğuştan diyafragmatik fıtık (CDH), akciğer hipoplazi ve damar gelişimsizliği ile karakterize edilir; bu da gaz değişiminin bozulmasına ve yüksek yenidoğan ölümlerine yol açar. Akciğer damar sistemlerinin doğru ve nicel değerlendirmesi, hastalık şiddetini anlamak için çok önemlidir, ancak tıbbi görüntülerde üç boyutlu damar ağlarının manuel segmentasyonu zaman alıcı ve operatöre bağlıdır.

Bu protokol, doğum sonrası bilgisayarlı tomografi (BT) taramaları kullanılarak pulmoner damar segmentasyonu ve morfometrik analiz için tamamen otomatik derin öğrenme tabanlı bir yöntem sunmaktadır. Bu süreç, görüntüleme verilerini normalleştirmek ve damar görünürlüğünü artırmak için Hounsfield birimlerine dönüşüm, pencereleme, izotropik örnekleme ve kontrast sınırlı adaptif histogram eşitleme (CLAHE) gibi standartlaştırılmış ön işleme adımlarını içerir. Daha sonra bir U-Net konvolüsyon sinir ağı (CNN) mimarisi, akciğer damarları segmentlere ayırmak için eğitilir ve ardından dal sayısı, ortalama dal uzunluğu ve nesil derinliği gibi morfometrik parametreleri niceleyen üç boyutlu bir iskelet algoritması uygulanır.

Temsil eden sonuçlar, önerilen modelin yüksek segmentasyon doğruluğuna ulaştığını ve transfer öğrenme konfigürasyonunun en iyi performansı sağladığını göstermektedir. Kantitatif morfometrik analiz, CDH'de kontrol akciğerlerine kıyasla belirgin şekilde azalmış damar karmaşıklığını ortaya koymuştur; bu, pulmoner hipoplazinin bilinen patolojik özellikleriyle tutarlıdır.

Bu otomatik yaklaşım, CDH'de akciğer vasküler morfolojinin tekrarlanabilir, nicel ve invaziv olmayan değerlendirilmesini sağlar. Yöntem, diğer görüntüleme yöntemlerine uyarlanabilir ve fetal ve yenidoğan akciğer gelişimi çalışmalarına uygulanabilir, böylece translasyonel araştırmalar ve gelecekteki klinik entegrasyon mümkün olur.

Giriş

Doğuştan diyafram fıtığı (CDH), karın visserasının göğüs ^1,2'ye fıtıklamasına yol açan diyafram defektiyle karakterize edilen, hayati tehlike doğuran bir anomalidir. Bu fiziksel sıkıştırma, akciğer gelişimini ciddi şekilde zayıflatır ve akciğer hipoplazisi ile kalıcı akciğer hipertansiyonu (PPHN) ile sonuçlanır; bunlar morbidite ve ölümlülüğün başlıca nedenleridir. Pulmoner hipoplazi ve damar gelişiminin yetersizliğine ek olarak, bozuk kalp gelişimi ve ventriküler disfonksiyonun da CDH'li yenidoğanlarda klinik sonuçları önemli ölçüde etkilediği gösterilmiştir. Altta yatan patofizyoloji, hem hava yollarının hem de akciğer damar yatağının anormal gelişimini içerir; bu da damar sayısının azalmasına, arteriollerin kaslarlaşmasının artmasına ve dolayısıyla damar direncinin^{artmasına yol açar} ^3,4. CDH hastalarında riski doğru şekilde sınıflandırmak, müdahaleleri yönlendirmek ve tedavi yanıtını izlemek için nesnel ve nicel biyobelirteçler^{gereklidir 5}. Bu değerlendirmenin kritik yönlerinden biri, akciğer hipoplazinin boyutu ve akciğerlerin fonksiyonel kapasitesi hakkında bilgi sağlayabilen akciğer damarlarının ayrıntılı analizidir. Görüntüleme tekniklerindeki gelişmeler, özellikle bilgisayarlı tomografi (BT), akciğer damarları büyük detaylarla görselleştirme ve nicelik yeteneğimizi^{artırmıştır} ^6,7.

Doğum sonrası Bilgisayarlı Tomografi (BT) akciğerlerin yüksek çözünürlüklü anatomik detaylarını sağlarken, karmaşık akciğer damar ağacının analizi hâlâ zordur. Mevcut damar segmentasyonu yöntemleri genellikle önemli manuel müdahale gerektiren, görüntü artefaktlarına karşı hassas olan ve CDH 7,8,9,10'daki ciddi anatomik bozulmalara karşı dayanıklı olmayabilecek geleneksel görüntü işleme tekniklerine dayanır. Derin öğrenme, özellikle U-Net mimarisi gibi konvolüsyon sinir ağları (CNN'ler), otomatik tıbbi görüntü segmentasyonunda dikkat çekici başarılar elde etmiştir. Ancak, mevcut modellerin çoğu sağlıklı kişiler veya diğer hastalık bağlamlarında eğitilmiştir; bu da CDH^10,11,12,13 gibi doğuştan gelen anomalilere uygulanabilirliğini sınırlar.

Bu gelişmelere rağmen, literatürde önemli boşluklar bulunmaktadır. Birçok çalışma, sağlıklı bireylere veya belirli akciğer hastalıklarına odaklanmış, CDH¹² gibi doğuştan gelen anomalilere ise sınırlı dikkat göstermiştir. Ayrıca, derin öğrenme modelleri daha iyi performans göstermiş olsa da, genellikle eğitim için büyük, notlu veri setleri gerektirir ve bu veri setleri CDH gibi nadir durumlar için her zaman mevcut değildir. Ayrıca, mevcut modeller, CDH'nin neden olduğu ciddi anatomik bozulmalar durumunda farklı akciğer damar türlerini (örneğin arterler ve venerler) ayırt etme zorluğunu tam olarak ele almamıştır. Bu sınırlama, CDH hastalarında akciğer damarlarını doğru şekilde segmente edip analiz edebilen daha sağlam modeller geliştirmek için daha fazla araştırmaya ihtiyaç duyulduğunu vurgulamaktadır.

Bu çalışma, pulmoner damar damarlarını segmentlere bölmek ve BT taramalarından nicel morfometrik özellikleri çıkarmak için tam otomatik derin öğrenme çerçevesi geliştirip doğrulayarak bu eksiklikleri kapatmayı amaçlamaktadır. Yaklaşımımızın önemli yeniliklerinden biri, modelimizi CDH ve kontrol hastalarının birleşik veri seti üzerinde eğitmek, böylece hem normal hem de patolojik vasküler desenlerin sağlam bir temsilini öğrenmesini sağlamaktır. BT görüntüleme iyonlaştırıcı radyasyonu içerse de, rutin uzunlamasına tarama için uygun değildir; ancak bu çalışma kavramın önemli bir kanıtı olarak hizmet vermektedir. Bu çalışmanın temel amacı, damar yapısının otomatik radyolojik nicelendirilmesinin mümkün olduğunu ve CDH hastalarını kontrol kontrollerinden güvenilir şekilde ayırt edebileceğini ortaya koymaktır. Bu alandaki başarı, bu nicel çerçevenin gelecekteki klinik uygulamalar için Manyetik Rezonans Görüntüleme (MR) gibi radyasyonsuz görüntüleme yöntemlerine uyarlanması için gerekli doğrulamayı sağlar.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

İnsan katılımcıları içeren tüm prosedürler, kurumsal insan araştırmaları etik komitesinin yönergelerine uygun olarak yürütüldü ve Kurumsal İnceleme Kurulu (IRB #2017-6361) tarafından onaylandı. Çalışma, geçerli düzenleyici standartlara uygun şekilde gerçekleştirilmiştir. Hasta verileri analiz öncesinde geriye dönük olarak toplandı ve kimlikleri çıkarıldı. Geliştirilen sistemin genel bir özeti Şekil 1'de gösterilmiştir.

1. Görüntü ön işleme

Neonatal hastaların DICOM formatında ham BT taramalarını çalışma ortamına yükleyin.
1. Tıbbi görüntü analiz yazılımını açın ve yeni bir proje çalışma alanı oluşturun.
2. Dosya > DICOM serisini > İç Aktar'a tıklayın.
3. DICOM formatında neonatal torasik BT taramasını içeren klasöre gidin ve tam görüntü serisini seçin.
4. Serideki tüm dilimlerin edinim meta verilerine (örneğin, Örnek Numarası) göre doğru tespit edilip sıralandığını doğrulayın.
5. Meta veri panelinde görüntü boyutlarını, voxel aralığını ve dilim kalınlığını doğrulayarak taramalar arasında tutarlılığı sağlayın.
6. Seriyi çalışma alanına yükleyin ve doğru yönü ve yükleme hatalarının olmadığını doğrulamak için eksenel, koronal ve sagital görünümleri görsel olarak inceleyin.
DICOM dosyalarını açık kaynak yazılımı kullanarak NIfTI formatına dönüştürerek daha kolay işleme ve analiz yapmayı mümkün kılar.
1. Bilimsel hesaplama ortamında bir terminal penceresi açın.
2. DICOM görüntü serisini içeren dizine cd komutunu kullanarak gidin.
3. DICOM'dan NIfTI'ye dönüştürme aracını aşağıdaki komut yapısı kullanarak çalıştırın: dcm2niix -z y -f output_filename -o /output_directory /input_directory
4. Sıkıştırılmış bir .nii.gz dosyası oluşturmak için sıkıştırmanın (-z y) etkin olduğundan emin olun.
5. Çıktı dosyasının belirlenen çıktı dizininde başarıyla oluşturulduğunu doğrulayın.
6. Dönüştürülmüş NIfTI dosyasını tıbbi görüntü görüntüleyicide açın ve doğru mekansal yönümü ve görüntü bütünlüğünü doğrulamak için eksenel, koronal ve sagital düzlemleri görsel olarak inceleyin.
7. Ön işlemden önce tüm konular arasında tutarlılığı sağlamak için voxel aralığı ve görüntü boyutlarını onaylayın.
Görüntü yoğunluklarını tarayıcıya özgü meta veriler veya standart formüller kullanarak Hounsfield Birimlerine (HU) dönüştürün.
1. Her tarama için görüntü başlığından DICOM meta veri parametrelerini çıkarın, eğimi yeniden ölçeklendirin ve Intercept'i yeniden ölçeklendirin.
2. Her voxel yoğunluk değeri (I_raw) için, karşılık gelen Hounsfield Birimi (HU) aşağıdaki formülle hesaplanın: HU = (I_raw × Yeniden Ölçekleme Eğimi) + Yeniden Ölçekleme Kesişmesi.
3. Dönüşümü, bilimsel hesaplama ortamında eleman-bazı matris işlemleriyle tüm 3D görüntü hacmine uygulayın.
4. Hava bölgelerinin yaklaşık −1000 HU olduğunu ve yumuşak doku bölgelerinin beklenen fizyolojik aralıklar içinde olduğunu doğrulayarak doğru dönüşümü doğrulayın.
5. Dönüştürülmüş hacmi orijinal veriyi korumak için yeni bir NIfTI dosyası olarak kaydedin.
Akciğer ve yumuşak dokuları vurgulamak için pencere uygulayın. Pencere seviyesini (WL) -400 HU, pencere genişliğini (WW) ise 1500 HU olarak ayarlayın.
1. Dönüştürülmüş NIfTI dosyasını görüntü görselleştirme yazılımında açın.
2. Görüntü ekranına veya yoğunluk ayarları paneline gidin.
3. Pencere/Seviye ayarlama seçeneğini seçin.
4. Pencere Seviyesi (WL) değerini manuel olarak -400 Hounsfield Birimi (HU) olarak ayarlayın.
5. Pencere Genişliği (WW) değerini 1500 HU olarak ayarlayın.
6. Görsel görselleştirmeyi güncellemek için ayarları onaylayın ve uygulayın.
7. Daha ileri ön işlem adımlarına geçmeden önce akciğer parenkiması ve akciğer damarlarının kemik ve mediastinal yapılardan net şekilde ayırt edilebildiğinden emin olun.
Voxel boyutlarının uniform olmasını sağlamak için izotropik yeniden örnekleme yapın (örneğin, 1 mm × 1 mm × 1 mm) üçlü terpolasyon kullanarak.
1. NIfTI görüntüsünü tıbbi görüntü işleme kütüphanesi kullanarak Python ortamına yükleyin.
2. Orijinal voxel aralıklarını görüntü başlığı metaverisinden çıkarın.
3. Hedef izotropik aralık (1.0, 1.0, 1.0) mm olarak tanımlanır.
4. Yeni görüntü boyutlarını şu formülle hesaplayın: new_size = original_size × (original_spacing / target_spacing)
5. Bir yeniden örnekleme nesnesini başlatın.
6. Enterpolasyon yöntemini üçlü doğrusal enterpolasyon olarak ayarlayın.
7. Hedefe voxel aralığı atanır (1.0 mm × 1.0 mm × 1.0 mm).
8. Hesaplanan yeni görüntü boyutunu ayarlayın.
9. Orijinal görüntü yönü ve köken meta verilerini koruyun.
10. Yeniden örnekleme işlemini gerçekleştirin.
11. Yeniden örneklenen görüntüyü sonraki ön işleme adımları için NIfTI formatında kaydedin.
12. Devam etmeden önce görüntü başlığında güncellenmiş voxel boyutlarını kontrol ederek izotropik aralıkı doğrulayın.
Kontrastı artırmak ve vasküler yapıların görünürlüğünü artırmak için Kontrast Sınırlı Adaptif Histogram Eşitleme (CLAHE) uygulanır.
1. Gerekli görüntü işleme kütüphanesini Python ortamına aktarın.
2. Gerekirse yeniden örneklenmiş 3D CT hacmini 8 bit gri tonlama formatına dönüştürün; seçilmiş HU aralığını 0–255 arasında eşlemek için doğrusal yoğunluk normalizasyonu kullanın.
3. CT hacmini eksenel düzlemde dilim dilim işleyerek CLAHE 2D uygulanır.
4. CLAHE nesnesini aşağıdaki parametrelerle başlatın: clipLimit = 2.0, tileGridSize = (8, 8).
5. Her eksenel dilit için, yerel kontrastı artırmak için CLAHE fonksiyonunu uygulayın.
6. CLAHE uygulamasından sonra işlenen dilimleri tekrar 3D bir hacme dönüştürün.
7. Kontrast artırılmış ses seviyesini sonraki segmentasyon için NIfTI formatında saklayın.
8. Devam etmeden önce akciğer damarlarının çevredeki parenkimeden daha ayırt edildiğini aşırı gürültü yükseltmesi olmadan görsel olarak doğrulayın.
Veri setinde kalite ve tutarlılığı sağlamak için önceden işlenmiş görüntülerin bir alt kümesini görsel olarak inceleyin.
1. Manuel kalite değerlendirmesi için toplam veri setinin en az %10'unu rastgele seçin.
2. Seçilmiş her önceden işlenmiş hacimleri tıbbi görüntü görüntüleyicide açın.
3. Aksiyel, koronal ve sagital düzlemleri inceleyerek aşağıdakileri doğrulayın: Doğru mekansal yönelim; Kesme artefaktlarının olmaması; Pencereleme parametrelerinin doğru uygulanması; Başarılı izotropik yeniden örnekleme (uniform voxel aralığı); CLAHE'den sonra yeterli kontrast artışı.
4. Akciğer damarlarının, aşırı gürültü yükseltmesi olmadan bitişik parenkimal yapılardan net bir şekilde ayırt edilebildiğini doğrulayın.
5. Ön işleme adımlarının bozulma veya anatomik tutarsızlıklar yaratmadığından emin olmak için ön işlenmiş görüntüleri orijinal HU-dönüştürülmüş hacimlerle karşılaştırın.
6. Ön işlem hatalarını belgeleyin ve gerekirse etkilenen vakalar için tekrar ön işleme yapın.

2. Manuel açıklama

Manuel notasyon için kullanılacak hem kontrol hem de CDH hastalarından temsilci bir BT alt kümesi seçin. Anatomik değişkenliğin dengeli bir dağılımı sağlanır.
1. Hem kontrol hem de CDH kohortlarından uygun önceden işlenmiş tüm BT taramalarını belirleyin.
2. Şiddetli hareket artefaktları veya eksik akciğer örtüsü olan taramaları hariç tutun.
3. Dengeli temsil sağlamak için her gruptan önceden belirlenmiş sayıda vaka rastgele seçin.
4. Akciğer hacmi, damar yoğunluğu ve mediastinal kayma şiddeti gibi farklı anatomik değişkenlik gösteren vakaların dahil edilmesini sağlamak.
5. Seçilen CDH vakalarının, mevcut olduğunda farklı derecelerde akciğer hipoplaziyi temsil ettiğini doğrulayın.
6. Manuel açıklamaya geçmeden önce seçilen vaka tanımlayıcılarını belgeleyin.
Ön işlenmiş NIfTI görüntülerini 3D tıbbi görüntü açıklama aracına yükleyin.
1. 3D tıbbi görüntü açıklama yazılımını açın.
2. Yeni bir proje veya segmentasyon oturumu oluşturun.
3. File > Open Image (veya eşdeğer aktarma seçeneği) seçeneğine tıklayın.
4. Ön işlenmiş NIfTI dosyasını (.nii veya .nii.gz) içeren dizine gidin ve görseli seçin.
5. Aksiyel, koronal ve sagital görünümlerde doğru görüntü yönelimini doğrulayarak başarılı yüklemeyi doğrulayın.
6. Gerekirse görselleştirmeyi optimize etmek için ekran ayarlarını ayarlayın.
7. Manuel damar notasyonlarını depolamak için yeni bir segmentasyon etiketi veya maske katmanı oluşturun.
8. Manuel notlama başlatmadan önce proje dosyasını kaydedin.
Aksiyel, koronal ve sagital görünümler kullanılarak, ilgili her dilimde vasküler yapıları çizerek akciğer damarları manuel olarak segment edin.
1. 2.2. adımda oluşturulan segmentasyon etiketi katmanını etkinleştirin.
2. Annotasyon yazılımındaki manuel çizim veya fırça aracını seçin.
3. Doğru sınır izini sağlamak için fırça boyutunu kap çapına göre dinamik olarak ayarlayın.
4. Birincil referans düzlemi olarak eksenel dilimler kullanılarak, hem arterial hem de venöz dallar dahil olmak üzere görünür akciğer damar yapılarını manuel olarak çizer.
5. Bronşlar, hava yolu duvarları ve mediastinal dokular gibi damar dışı yapıları hariç tutun.
6. Her damar dalının sürekli notasyonunu sağlamak için tüm akciğer hacmini dilim dilim kaydırın.
7. Anatomik tutarlılığı doğrulamak ve kesintileri önlemek için koronal ve sagital görünümlerde her bir annotasyonlu bölgeyi çapraz doğrulamak için alın.
8. Görsel olarak ayırt edilebilecek en küçük dallara kadar kapları dahil ederek gürültü artefaktlarının aşırı segmentasyonundan kaçının.
9. Damar ağacının mekansal sürekliliğini doğrulamak için segmentasyonun 3D önizlemesini periyodik olarak render edin.
10. Tamamlanmış segmentasyon maskesini model eğitimine geçmeden önce NIfTI formatında kaydedin.
Sadece akciğer damarlarını not edin, kalp, bronş ve başlıca akciğer dışı yapılar hariç tutulur.
1. Akciğer parenkimasındaki akciğer arterler ve venleri birincil referans olarak aksiyel dilimler kullanarak tanımlayın.
2. Ana akciğer arterlerinden başlayan ve akciğer alanları içinde distal uzanan intraparenkimal damar dallarını içerir.
3. Kalp odaları, atriyumlar, ventriküller ve büyük damarlar hariç tutulur.
4. Bronşlar ve bronş duvarları dahil olmak üzere hava yolu yapılarını, morfoloji ve ışık özelliklerine göre damarlardan ayırarak dışlayın.
5. Mediastinal yumuşak dokuları, plevra ve göğüs duvarı yapılarını etiketlemekten kaçının.
6. Annotasyonlu yapıların beklenen damar sürekliliği ve dallanma desenlerini takip ettiğini doğrulamak için çoklu görünümler (eksenel, koronal, sagital) kullanın.
7. Damar-hava yolu farklılaşması belirsiz olduğunda, etiketlemeden önce damar yörüngesini doğrulamak için bitişik dilimler arasında sürekliliği doğrulayın.
8. Segmentli hacmin son 3D render edilmesini sağlayarak sadece akciğer damar ağacının dahil edildiğinden emin olun.
Eğer mümkünse, annotasyon sırasında belirsiz bölgeleri doğrulamak için klinik görüntüleme uzmanlarına danışın.
1. Düşük kontrast, anatomik bozulma veya bronşlara veya mediastinal yapılara yakınlık nedeniyle damar sınırlarının belirsiz olduğu bölgeleri belirleyin.
2. Bu bölgeleri geçici bir etiket veya yorum aracı kullanarak annotasyon yazılımında işaretleyin.
3. İşaretlenen bölgeleri klinik görüntüleme uzmanına teslim edin.
4. Eksenel, koronal ve sagital görünümleri birlikte inceleyerek yapının akciğer damarları temsil edip etmediğini belirleyin.
5. Uzman görüşüne göre segmentasyon maskesini değiştirin.
6. Yeraltı gerçeklik maskesini tamamlamadan önce düzeltilen bölgeleri belgeleyin.
Her segmentasyonu en az iki bağımsız annot uzmanı inceleyip geliştirerek dereceleyiciler arası doğrulama gerçekleştirin. Anlaşmazlık durumunda, tartışma veya tahkim yoluyla bir uzlaşmaya varın.
1. Her seçilen BT taramasını torasik görüntüleme analizinde deneyimli iki bağımsız annotöre atanın.
2. Annotatörlerin segmentasyonu bağımsız olarak gerçekleştirdiğinden ve birbirlerinin sonuçlarından kör olduklarını sağlayın.
3. Bağımsız açıklamalar tamamlandıktan sonra, segmentasyon maskelerini nicel bir örtüşme metriğiyle (örneğin, zar benzerlik katsayısı) karşılaştırın.
4. Maskeler arasındaki voxel farklarını hesaplayarak anlaşmazlık bölgelerini belirleyin.
5. Eksenel, koronal ve sagital düzlemlerde tutarsız bölgeleri birlikte inceleyin.
6. Yapılandırılmış tartışma yoluyla uzlaşmaya ulaşın.
7. Anlaşmazlık devam ederse, nihai kararı tahkim etmek üzere üçüncü bir kıdemli hakemi görevlendirin.
8. Model eğitimi için nihai gerçeklik etiketi olarak konsensus segmentasyon maskesi saklanın.
Annotasyonlu kap maskelerini orijinal CT görüntüleriyle aynı çözünürlük ve alanda saklayın. Onları tutarlı adlandırma kuralları kullanarak NIfTI formatında sakla.
1. Son uzlaşma segmentasyon maskesinin, vasküler voksellere 1 değeri ve arka plan voksellerine 0 değeri verildiği ikili etiket haritası olarak saklandığından emin olun.
2. Segmentasyon maskesinin, ilgili önceden işlenmiş CT görüntüsüyle aynı voxel aralığını, görüntü boyutlarını, orijini ve yönelim matrisini koruduğunu doğrulayın.
3. Açıklama yazılımının dışa aktarma fonksiyonunu kullanarak segmentasyon maskesini NIfTI formatında (.nii veya .nii.gz) dışa aktarın.
4. Aşağıdaki şekilde yapılandırılmış tutarlı bir adlandırma geleneği kullanın: SubjectID_Group_VesselMask.nii.gz; (örneğin, CDH_012_VesselMask.nii.gz).
5. Eşleşme tutarlılığını korumak için maskeleri, görüntü veri setine paralel olarak özel bir dizinde depolayın.
6. Model eğitiminden önce mükemmel mekansal hizalanmayı doğrulamak için hem CT görüntüsünü hem de ilgili maskesini yeniden yükleyerek nihai doğrulama gerçekleştirin.
Bu manuel olarak etiketlenmiş segmentasyonları model eğitimi ve değerlendirmesi için temel gerçek olarak kullanın.

3. Model eğitimi ve doğrulama

Veri setini üç alt kümeye ayırın: eğitim, doğrulama ve test setleri. Bu çalışmada, eğitim için 35 kontrol ve 20 CDH vakası, doğrulama için 5 kontrol ve 10 CDH vakası kullanıldı, kalanları bağımsız teste sunuldu.
1. Tüm önceden işlenmiş CT görüntülerini ve ilgili konsensus damar maskelerini tek bir veri setinde derleyin.
2. Alt kümeler arasında veri sızıntısını önlemek için hasta düzeyinde veri seti bölmesi yapın.
3. Eğitim setine rastgele 35 kontrol vakası ve 20 CDH vakası atayın.
4. Doğrulama setine rastgele 5 kontrol vakası ve 10 CDH vakası atayın.
5. Kalan tüm vakaları, model eğitimi veya hiperparametre ayarlaması sırasında erişilmeyen bağımsız bir tutma test setine atayın.
6. Her BT görüntüsü ve ilgili segmentasyon maskesi bölünme süreci boyunca eşleşmiş kaldığından emin olun.
7. Her alt kümede sınıf dağılımını doğrulayarak hem kontrol hem de CDH vakalarının temsilini koruyun.
8. Tekrarlanabilirlik için konu tanımlayıcılarının nihai tahsisini belgeleyin.
Eğitim sırasında sinir ağı yakınsamasını artırmak için 0 ile 1 arasındaki tüm görüntülerin yoğunluk değerlerini normalize edin.
1. Her CT hacmi için, öncelikle şiddet değerleri önceden tanımlanmış bir Hounsfield Birim aralığına sınırlayarak aşırı istisnaları ortadan kaldırır.
2. Yoğunluk kırpımı uygulanarak −1000 HU altındaki değerler −1000 HU, 500 HU'nun üzerindeki değerler ise 500 HU olarak ayarlanır.
3. Her hacim için min–max normalizasyonunu bağımsız olarak aşağıdaki dönüşümle gerçekleştirin: Normalize değer = (I − I_min) / (I_max − I_min), burada I_min ve I_max, hacmin kesilen minimum ve maksimum yoğunluk değerlerine karşılık gelir.
4. Normalizasyonu, hesaplama ortamında eleman-bazı işlemlerle tam 3D hacme uygulayın.
5. Tüm voxel yoğunluklarının [0, 1] aralığında olduğundan emin olun, veri sinir ağına girilmeden önce.
6. Her görüntü için normalizasyon parametrelerinin bağımsız olarak türetildiğinden emin olun, böylece eğitim, doğrulama ve test setleri arasında bilgi sızıntısı önlenir.
PyTorch veya TensorFlow gibi derin öğrenme çerçevesi kullanarak U-Net konvolüsyon sinir ağı mimarisi uygulayın.
1. Derin öğrenme geliştirme ortamında yeni bir proje oluşturun ve tekrarlanabilirlik için sabit rastgele bir tohum oluşturun.
2. Kodlayıcı-dekoder yapısı ve atlama bağlantılarıyla ikili segmentasyon için 2D bir U-Net mimarisi (Şekil 2) tanımlayın.
3. Model girişini tek kanallı CT dilimleri (gri tonlama) olarak ayarlayın ve model çıktısını gemi olasılığını temsil eden tek kanallı olasılık haritası olarak ayarlayın.
4. Son katmanı, [0, 1] aralığında değerler üretmek için sigmoid aktivasyon fonksiyonu kullanacak şekilde yapılandırın.
5. İkili segmentasyon için kayıp fonksiyonunu tanımlayın (örneğin, ikili çapraz entropi) ve bir optimizatörü başlatın.
6. Grup büyüklüğü, dönem sayısı ve öğrenme hızı dahil olmak üzere eğitim hiperparametrelerini belirtin ve bu değerleri raporlamak için kaydedin.
7. Veri yükleyicilerini düzenli şekilde karıştırma ve toplu işlemlerle modele aktarmak için hazırlayın.
8. Tekrarlanabilirlik için tam model tanımı ve hiperparametre yapılandırmasını saklayın.
Modeli, segmentasyon doğruluğunu artırmak için atlama bağlantıları ve toplu normalizasyon katmanlarını içeren bir kodlayıcı-kodlayıcı yapısıyla yapılandırın.
1. Tekrarlanan konvolüsyon bloklardan oluşan bir kodlayıcı tanımlayın. Her blokun şunları içerdiğinden emin olun:
  İki ardışık 2B konvolüsyon katmanı (çekirdek boyutu 3 × 3, dolgu = 1)
  Her konvolüsyondan sonra uygulanan toplu normalizasyon
  Doğrultu Doğrusal Birim (ReLU) aktivasyonu
2. Her kodlayıcı bloğundan sonra 2 × 2 maksimum havuzlama uygulayarak mekânsal çözünürlüğü kademeli olarak azaltın.
3. Her downsampling adımından sonra özellik kanal sayısını iki katına çıkarın.
4. Çözümleyiciyi, yukarı örnekleme için transpozize konvolüsyon (2 × 2 çekirdek, adım 2) kullanarak tanımlayın.
5. İlgili kodlayıcı katmanından dekoder katmanına atlama bağlantılarıyla özellik haritalarını birleştirerek mekânsal bilgiyi koruyabilir.
6. Her birleştirme adımından sonra toplu normalizasyon ve ReLU aktivasyonu ile iki konvolüsyon katman uygulayın.
7. Özellikleri tek kanallı çıkışa eşlemek için son 1 × 1 konvolüsyon katmanı kullanın.
8. Damar segmentasyonu için voxel bazında olasılık haritası oluşturmak amacıyla sigmoid aktivasyon fonksiyonu uygulayın.
Modelin üç konfigürasyonunu eğitin:
1. Temel model (sıfırdan eğitim)
  1. U-Net ağırlıklarını rastgele başlatın (örneğin, He başlatma).
  2. Giriş olarak yalnızca manuel notasyonlu arter-ven veri setini kullanın.
  3. Giriş görüntülerini 512 × 512 piksele değiştirin.
  4. Yoğunluk değerlerini [0,1] aralığına normalleştirin.
  5. Parti boyutunu 8'e (veya GPU belleğinin izin verdiği maksimum) olarak ayarlayın.
  6. Adam optimizer'ı kullanarak öğrenme hızı = 1 × 10⁻⁴.
  7. İkili Çapraz Entropi (ikili segmentasyon için) veya Çapraz Entropi kaybı (arter-ven sınıflandırması için) kullanın.
  8. 30 dönem için eğitim al.
  9. Her dönemden sonra doğrulama kaybını takip edin.
  10. Model ağırlıklarını en düşük doğrulama kaybına karşılık vererek saklayın.
  11. PyTorch'ta 3.5.1.13–3.5.1.14 adımlarını takip edin.
  12. Optimize ediciyi tanımlayın: torch.optim.Adam(model.parameters(), lr=1e-4)
  13. Kayıpları tanımlayın: torch.nn.BCEWithLogitsLoss() veya torch.nn.CrossEntropyLoss()
  14. Eğitim sırasında model.train(), doğrulama sırasında model.eval() kullanın.
2. Segmentasyon-giriş modeli (yardımcı gemi maskesi girişi)
  1. Giriş katmanını iki kanalı kabul edecek şekilde değiştirin:
    Kanal 1: CT görüntüsü
    Kanal 2: İkili damar segmentasyon maskesi
  2. CT görüntüsünü ve damar maskesini kanal boyutu boyunca birleştirin, ardından ağı içine aktarın.
  3. Mimariyi temel modelle aynı tutun.
  4. Adım 3.5.1'deki optimize edici, öğrenme hızı, parti boyutu ve epoch sayısını kullanın.
  5. En iyi performans gösteren ağırlıkları F1 doğrulama puanına göre kaydet.
3. Transfer öğrenme modeli (önceden eğitilmiş başlatma)
  1. Önceden eğitilmiş U-Net ağırlıklarını genel bir gemi segmentasyon veri setinde (ilerleme raporunda açıklandığı gibi) yükleyin.
  2. İlk 5 dönem için kodlayıcı katmanlarını dondurun (isteğe bağlı stabilizasyon adımı).
  3. Tüm katmanları çözün ve kalan dönemler için ince ayar yapmaya devam edin.
  4. İnce ayar sırasında düşük öğrenme hızı = 5 × 10⁻⁵ kullanın.
  5. Toplamda 30 dönem boyunca eğitim al.
  6. Eğitim sırasında veri artırımı olarak yatay çevirmeyi uygulayın.
  7. En yüksek F1 doğrulama puanına sahip modeli kaydet.
İkili çapraz entropi kaybı ve Adam optimizer'i kullanarak başlangıçta öğrenme oranı 0.001 olur. Doğrulama kaybı sabit kalırsa öğrenme hızını adapte olarak azaltın.
1. Kayıp fonksiyonunun tanımlanması
  1. İkili damar segmentasyonu için, logitlerle birlikte İkili Çapraz Entropi kaybı kullanın.
  2. PyTorch'ta, şunu tanımlayın: kriter = torch.nn.BCEWithLogitsLoss()
  3. Çok sınıflı arter-ven sınıflandırması yapıyorsanız, kullanabilirsiniz: criterion = torch.nn.CrossEntropyLoss()
2. Optimizatorun tanımlanması
  1. Başlangıç öğrenme oranı 0.001 olan Adam optimizatorunu kullanın.
  2. PyTorch'ta: optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
3. Uyarlanabilir öğrenme oranının azaltılmasını sağlamak
  1. Doğrulama kaybı iyileşmeyi durduğunda öğrenme hızını azaltmak için bir öğrenme hızı zamanlayıcısı uygulayın.
  2. ReduceLROnPlateau zamanlayıcısını kullanın.
  3. PyTorch'ta: zamanlayıcı = torch.optim.lr_scheduler. ReduceLROnPlateau(
    Optimizer,
    mode='min',
    faktör=0.5,
    sabır=5,
    verbose=Doğru
    )
  4. Her doğrulama aşamasından sonra şu numarayı arayın: scheduler.step(validation_loss)
4. Eğitim döngüsü konfigürasyonu.
  1. Her dönem için 3.6.4.2–3.6.4.7 adımlarını takip edin:
  2. Modeli eğitim moduna ayarla: model.train()
  3. İleri pas yapın.
  4. Kayıpları hesaplayın.
  5. Geri yayılma: kayıp.geriye doğru()
  6. Ağırlıkları güncelle: optimizer.step()
  7. Bir sonraki iterasyondan önce sıfır gradyan: optimizer.zero_grad()
  8. Eğitim aşamasından sonra, model.eval() kullanarak değerlendirme moduna geçin ve doğrulama kaybını hesaplayın.
5. Erken bırakma (isteğe bağlı ama tavsiye edilir)
  1. Doğrulama kaybı 10 ardışık dönem boyunca düzelmezse, aşırı fitinasyonu önlemek için antrenmanı durdurun.
Rastgele dönüşler, takla ve elastik deformasyonlar gibi veri artırma tekniklerini uygulayarak dayanıklılığı artırın ve aşırı uyumu azaltın.
1. Bir artırma boru hattı tanımlama
  1. Artırmaları yalnızca eğitim veri setine uygulayın.
  2. Hem CT görüntüsüne hem de ilgili segmentasyon maskesine aynı mekânsal dönüşümler uygulanır.
2. Rastgele dönüşümler.
  1. -15° ile +15° arasında rastgele düzlem içi dönüşler uygulayın.
  2. PyTorch'ta (torchvision veya Albumentations kullanılarak): RandomRotation(degrees=15)
3. Yatay ve dikey taklalar.
  1. P = 0.5 olasılıkla yatay bir çevirme uygula.
  2. Anatomik olarak kabul edilebilirse, p = 0.5 olasılıkla dikey bir flip uygulayın.
4. Elastik deformasyon.
  1. Anatomik değişkenliği simüle etmek için elastik bir dönüşüm uygulayın.
  2. Gerçekçi olmayan bozulmaları önlemek için küçük deformasyon parametreleri kullanın.
5. Uygulama örneği (PyTorch + Albumentations)
  1. Eğitimden önce dönüşüm boru hattını tanımlayın:
    transform = A. Compose([
    A.Döndür(limit=15, p=0.5),
    A.Yatay Flip(p=0.5),
    A.ElasticTransform(alpha=1, sigma=50, alpha_affine=10, p=0.3)
    ])
  2. Veri seti __getitem__() yöntemi içinde dönüşüm uygulayarak görüntü ve maskenin senkronize dönüşümünü sağlayın.
6. Doğrulama ve test setleri
  1. Doğrulama veya test veri setlerine artırma uygulaması yapmayın.
  2. Bu setler için sadece normalizasyon ve boyutlandırma kullanın.
7. Kalite kontrolü.
  1. Anatomik gerçekliği sağlamak için eğitimden önce artırılmış örnekleri görsel olarak inceleyin.
  2. Maskelerin dönüştürülmüş görüntülerle hizalı kaldığını doğrulayın.
Modeli sabit sayıda dönem için veya yakınsamaya kadar eğitin, her dönemden sonra doğrulama setinde performansı izleyin.
1. Eğitim süresinin tanımlanması
  1. Maksimum eğitim dönemi sayısını 30'a ayarlayın.
  2. Alternatif olarak, yakınsamaya kriterleri sağlanana kadar antrenmana devam edin (aşağıdaki Erken Durma bölümüne bakınız).
2. Eğitim döngüsü
  1. Her dönem için 3.8.2.2–3.8.2.10 adımlarını takip edin:
  2. Modeli eğitim moduna ayarlayın: model.train()
  3. Eğitim setindeki tüm mini partileri tekrar edin.
  4. CT görüntüleri ve ilgili maskeleri yükleyin.
  5. İleri pas yapın.
  6. Tanımlı kayıp fonksiyonunu kullanarak kaybı hesaplayın.
  7. Geri yayılma gradyanları: kayıp.geri()
  8. Model ağırlıklarını güncelle: optimizer.step()
  9. Bir sonraki partiden önce gradyanları sıfırlayın: optimizer.zero_grad()
  10. Dönemin ortalama antrenman kaybını hesaplayın.
3. Doğrulama adımı (her dönemden sonra)
  1. Modeli değerlendirme moduna geçirin: model.eval()
  2. Gradyent hesaplamayı devre dışı bırak: torch.no_grad():
  3. Doğrulama veri setini yineleme yapın.
  4. İleri pas yapın.
  5. Doğrulama kaybını hesaplayın.
  6. Performans metriklerini hesaplayın (F1 puanı, hassasiyet, hassasiyet, DICE puanı).
  7. Doğrulama kaybı ve metrikleri kaydedin.
4. Öğrenme hızı ayarlaması
  1. Doğrulama adımından sonra zamanlayıcıyı güncelle: scheduler.step(validation_loss)
5. Yakınsamaya kriterleri
  1. Doğrulama kaybı ardışık 10 dönem boyunca (erken durma) düzelmezse veya performans metrikleri durgunlaşırsa antrenmanı durdurun.
6. Model kontrol noktası
  1. Doğrulama F1 puanı geliştiğinde model ağırlıklarını kaydet.
  2. Test setinde nihai değerlendirme için en iyi performanslı modeli koruyun.
7. Kütük Kesim
  1. Epoch başına eğitim ve doğrulama kayıp değerlerini sakla.
  2. Yakınsamama davranışını doğrulamak için öğrenme eğrilerini (kayıp ve dönem) çizin.
Doğrulama veri setindeki en yüksek F1 puanına göre en iyi performans gösteren modeli seçin.
1. Doğrulama metrik takibi
  1. Her dönemden sonra, doğrulama veri setinde F1 puanını hesaplayın.
  2. F1 puanını ilgili dönem sayısıyla birlikte sakla.
2. Model karşılaştırması
  1. Tüm dönemler boyunca F1 doğrulama puanlarını karşılaştırın.
  2. En yüksek F1 doğrulama puanını elde eden dönemi belirleyin.
3. Model kontrol noktası
  1. Eğitim sırasında, doğrulama F1 puanı geliştiğinde model ağırlıklarını kaydet.
4. Son model seçimi
  1. Eğitim tamamlandıktan sonra, en yüksek F1 doğrulama puanına karşılık gelen ağırlıkları yükleyin:
    model.load_state_dict(torch.load("best_model.pth"))
5. Bağımsız testler
  1. Seçilen modeli bağımsız test veri setinde yalnızca bir kez değerlendirin.
  2. Model seçimi için test seti performansını kullanmayın.
6. Tekrarlanabilirlik
  1. Seçilen dönem sayısını ve ilgili doğrulama metriklerini kaydedin.
  2. Tekrarlanabilirliği sağlamak için rastgele tohumu düzeltin.
Eğitilmiş model ağırlıkları ve yapılandırmaları sonraki segmentasyon görevleri için saklayın.

4. Segmentasyon ve iskeletleşme

Eğitilmiş U-Net modelini yükleyin ve bağımsız test setindeki önceden işlenmiş BT taramalarına uygulayın.
Her tarama için, modelin olasılıksal çıktısına bir eşik uygulayarak akciğer damarlarının ikili segmentasyon maskesi oluşturulur.
Özellikle CDH kaynaklı bozulmadan etkilenen bölgelerde anatomik olasılığı doğrulamak için segmentasyon sonuçlarını görsel olarak inceleyin.
Yazılımda uygulanan 3D inceltme algoritması kullanarak segmentli 3D ikili maskeleri iskelet temsillerine dönüştürün.
Vasküler iskeleti genişlik-öncelikli arama algoritması kullanarak etiketleyin; akciğer gövdesini kök düğüm olarak belirler ve bağlantıya göre her dala üretim seviyeleri atanır.
Gürültü veya segmentasyon hatalarından kaynaklanan küçük, bağlantısız bileşenleri veya sahte dalları çıkarmak, minimum voxel boyutu veya dal uzunluğu eşiği kullanmaktır.
İskelet yapıları 3D mesh veya grafik uyumlu formatlarda (örneğin, VTK veya SWC) daha fazla morfometrik analiz için saklayın.

5. Morfometrik özellik çıkarımı

Segmentli BT görüntülerinden oluşturulan iskelet damar grafiklerini yükleyin.
Bifurkasyon noktaları ile terminal düğümler arasında grafik yapısını gezerek tüm bireysel dalları tanımlayın.
Damar grafikinde tanımlanan tüm segmentleri toplayarak toplam dal sayısını hesaplayın.
Her dalın uzunluğunu, iskelet boyunca bağlı voxeller arasındaki Öklid mesafelerini toplamakla hesaplayın.
Her konunun iskeletindeki tüm dalların uzunluklarını ortalamasını alarak ortalama dal uzunluğunu belirleyin.
Ana akciğer arterinden başlayıp her ikiye ayrılmada genişlik öncesi geçiş kullanarak her dalın nesil olarak nesil olarak her dala nesil olarak ataması gerekir.
Kök düğümden herhangi bir terminal dala en uzun yolu belirleyerek maksimum distal nesil sayısını hesaplayın.
Herhangi bir çevresel daldan köke geri dönen en uzun yolu belirleyerek maksimum yakın nesil sayısını hesaplayın.
Tüm morfometrik özellikleri, konu tanımlayıcıları, tanı grubu ve çıkarılan metriklerle yapılandırılmış bir tablo veya veritabanı formatında (örneğin CSV veya SQL) depolayın.
İskelet grafiklerinin bir alt kümesini ve ilgili morfometrik özellikleri görsel olarak inceleyerek doğruluk ve biyolojik gerçekliliği doğrulayın.

6. Sınıflandırma analizi

Morfometrik özellikleri (örneğin, toplam dal sayısı, ortalama dal uzunluğu, distal ve proksimal üretim derinliği) ve ilgili tanı etiketlerini (CDH veya kontrol) içeren yapılandırılmış veri setini içe aktarın.
Veri setini, sınıf dağılımını korumak için stratifikasyon örnekleme kullanarak eğitim ve test setlerine ayırın.
Rastgele Orman ve Karar Ağacı sınıflandırıcılarını standart bir makine öğrenimi kütüphanesi kullanarak uygulayın.
Tahmin sayısı (örneğin, Random Forest için 100 ağaç) ve maksimum derinlik gibi model parametrelerini çapraz doğrulama performansına göre yapılandırın.
Her sınıflandırıcıyı verinin eğitim alt kümesi kullanarak eğitin.
Bekletme test setinde doğruluk birincil metrik olarak değerlendirilerek sınıflandırma performansını değerlendirin.
CDH tespiti için gerçek pozitif, gerçek negatif, yanlış pozitif ve yanlış negatif oranlarını değerlendirmek amacıyla karışıklık matrisleri oluşturun.
Random Forest ve Decision Tree sınıflandırıcılarının performansını karşılaştırın ve temsil eden sonuçları bildirmek için en yüksek doğruluğa sahip modeli seçin.
Sınıflandırma sonuçlarını bar grafikler, ROC eğrileri veya varsa karar ağaçları kullanarak görselleştirin ve çıktıları şekillere dahil etmek üzere kaydedin.
Tüm model parametrelerini, performans metriklerini ve verilere uygulanan ön işlemeyi belgeleyin; böylece tekrarlanabilirlik sağlanır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Transfer öğrenme ile eğitilen derin öğrenme modeli, bağımsız test setinde 0.714 hassasiyet, 0.706 hassasiyet ve 0.672 F1 puanıyla tüm konfigürasyonlar arasında en yüksek segmentasyon performansını elde etti. Sıfırdan eğitilen temel model performansın azaldığını gösterdi (hassasiyet: 0.703, hassasiyet: 0.589, F1 puanı: 0.551), segmentasyon girişi modeli ise orta düzeyde performans gösterdi (F1 puanı: 0.630).

Segmentasyonun ardından yapılan morfometrik analiz, C...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu protokoldeki birkaç adım, doğru ve tekrarlanabilir sonuçlar elde etmek için kritiktir. Görüntü ön işleme aşaması, özellikle Hounsfield Birimlerine dönüştürme ve pencereleme uygulaması (WL = -400 HU, WW = 1500 HU) dikkatlice yapılmalıdır; çünkü bu parametreler damar yapılarının^{görünürlüğünü belirler} 14,15,16,17. Iskeletleşme ayrıca, morfometrik ölçümleri çarp...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların beyan edecek finansal açıklamaları yoktur.

Teşekkürler

Emrah Aydin, Türkiye Bilimsel ve Teknolojik Araştırma Konseyi (TÜBİTAK) 2219 Uluslararası Doktora Sonrası Araştırma Bursu Programı (1059B191501313) tarafından desteklenmiştir. Aslıgül Aksan ve Mustafa Ekrem Erkan, Türkiye Bilimsel ve Teknolojik Araştırma Konseyi (TÜBİTAK) 2209-A - Lisans Öğrencileri için Araştırma Proje Destek Programı tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
Ad	Şirket	Katalog numarası	Yorumlar
Analyze 12.0	AnalyzeDirect	https://analyzedirect.com/	BT görüntü incelemesi, düzenleme ve ölçümler için kullanılır
BT Tarama Verileri (doğum sonrası torasik taramalar)	Kurumsal Arşiv	Yok	CDH ve kontrol yenidoğanlarının retrospektif veri seti
dcm2niix	Açık kaynak (GitHub)	https://github.com/rordenlab/dcm2niix	DICOM'u NIfTI formatına dönüştürür
ITK-SNAP	Açık kaynak (http://www.itksnap.org)	http://www.itksnap.org	3D tıbbi görüntü açıklama aracı
NetworkX	Açık kaynak	https://networkx.org	Grafik tabanlı damar ağaç analizi için kullanılır
OpenCV (CLAHE fonksiyonu)	Açık kaynak	https://opencv.org	Görüntü kontrastı artırıcı için kullanılır
Pandalar, Numpy	Açık kaynak	https://pandas.pydata.org, https://numpy.org	Veri yönetimi ve sayısal işlemler
Python 3.8+	Python Yazılım Vakfı	https://www.python.org	Analiz ve model geliştirme için programlama dili
PyTorch 1.13+	Meta AI	https://pytorch.org	U-Net uygulaması için derin öğrenme çerçevesi
Scikit-image	Açık kaynak	https://scikit-image.org	İskelet oluşturma için kullanılan görüntü işleme kütüphanesi
Scikit-learn	Açık kaynak	https://scikit-learn.org	Sınıflandırma için makine öğrenimi kütüphanesi
Ubuntu 20.04 LTS	Kanonik	https://ubuntu.com	Tüm işlem boyunca kullanılan işletim sistemi
NVIDIA RTX 3090 GPU'lu iş istasyonu	NVIDIA	https://www.nvidia.com	Derin öğrenme modellerinin eğitimi için gerekli

Kaynaklar

Keijzer, R., et al. Dual-hit hypothesis explains pulmonary hypoplasia in the nitrofen model of congenital diaphragmatic hernia. Am J Pathol. 156 (4), 1299-1306 (2000).
Aydin, E., et al. The survivorship bias in congenital diaphragmatic hernia. Children. 9 (2), 218(2022).
Harting, M. T. Congenital diaphragmatic hernia-associated pulmonary hypertension. Semin Pediatr Surg. 26 (3), 147-153 (2017).
Kool, H., et al. Pulmonary vascular development goes awry in congenital lung abnormalities. Birth Defects Res C Embryo Today. 102 (4), 343-358 (2014).
Leeuwen, L., Fitzgerald, D. A. Congenital diaphragmatic hernia. J Paediatr Child Health. 50 (9), 667-673 (2014).
Aydin, E., et al. Optimization of pulmonary vasculature tridimensional phenotyping in the rat fetus. Sci Rep. 9 (1), 1244(2019).
Aydin, E., et al. Pulmonary vasculature development in congenital diaphragmatic hernia: a novel automated quantitative imaging analysis. Pediatr Surg Int. 40 (1), 1244(2024).
Memon, N. A., Mirza, A. M., Gilani, S. A. M. Segmentation of lungs from CT scan images for early diagnosis of lung cancer. World Acad Sci Eng Technol. 20, 1050-1055 (2008).
Fetita, C., Brillet, P. Y., Preteux, F. J. Morpho-geometrical approach for 3D segmentation of pulmonary vascular tree in multi-slice CT. Proceedings of SPIE - The International Society for Optical Engineering. , (2009).
Orkisz, M., et al. Segmentation of the pulmonary vascular trees in 3D CT images using variational region-growing. IRBM. 35 (1), 11-19 (2014).
Fabijanska, A. Segmentation of pulmonary vascular tree from 3D CT thorax scans. Biocybern Biomed Eng. 35 (2), 106-119 (2015).
Zhai, Z., Staring, M., Stoel, B. C. Lung vessel segmentation in CT images using graph-cuts. , SPIE Medical Imaging. San Diego, California, United States. (2016).
Khanna, A., Londhe, N. D., Gupta, S. Detection of pulmonary vessels in 3D lung CT using improved graph cut. 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN), Noida, India, , (1109).
DenOtter, T. D., Schubert, J. Hounsfield Unit. , StatPearls Publishing. Treasure Island, FL. (2023).
Detection and classification of brain hemorrhage based on Hounsfield values and convolution neural network technique. Phan, A. C., Nguyen, T. M. N., Phan, T. C. 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), Danang, Vietnam, , (2019).
Xue, Z., et al. Window classification of brain CT images in biomedical articles. AMIA Annu Symp Proc. 2012, 1023-1029 (2012).
Contrast-limited adaptive histogram equalization: speed and effectiveness. Pizer, S. M., et al. Proceedings of the First Conference on Visualization in Biomedical Computing, Atlanta, GA, USA, , (1990).
Moccia, S., De Momi, E., El Hadji, S., Mattos, L. S. Blood vessel segmentation algorithms – Review of methods, datasets and evaluation metrics. Comput Methods Programs Biomed. 158, 71-91 (2018).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Pulmoner Damar Segmentasyonu Morfometrik Analiz Bilgisayarl Tomografi U Net Mimarisi Transfer renme Vask ler Morfoloji skeletle tirme Algoritmas