Orbital Bilgisayarlı Tomografi ile Derin Öğrenme Tabanlı Tıbbi Görüntü Segmentasyonunun Uygulanması
30 Kasım 2022
Orbital bilgisayarlı tomografi (BT) görüntüleri için nesne segmentasyon protokolü tanıtıldı. Süper çözünürlük kullanarak yörüngesel yapıların temel gerçekliğini etiketleme, BT görüntülerinden ilgi hacmini çıkarma ve orbital BT görüntüleri için 2D sıralı U-Net kullanarak çok etiketli segmentasyonu modelleme yöntemleri denetimli öğrenme için açıklanmaktadır.
Bu çalışmada orbital bilgisayarlı tomografi görüntüleri için nesne segmentasyon protokolünü tanıttık. Dünyadaki ilk denemedir. Bu programı kullanarak, herhangi bir anatomi parçasında maskelemeyi istediğiniz yerde kolayca yapabilirsiniz.
Zamanınızı ve emeğinizi görselleştirir ve tasarruf etmenizi sağlar. Bu çalışmanın biyopsi için zor olan orbital hastalıkların tanısında bir mihenk taşı olabileceğini umuyoruz. Maskeleme yazılımı programını çalıştırarak başlayın.
Orbital BT'yi yüklemek için, açık dosya simgesine tıklayın ve hedef BT dosyasını seçin. Göz küresini, optik siniri ve ekstraoküler kasları süper pikseller kullanarak maskelemek için MediLabel'daki SmartPencil sihirbazına tıklayarak SmartPencil'ı çalıştırın. Ardından, gerekirse süper piksel haritasının çözünürlüğünü kontrol edin ve benzer görüntü yoğunluğu değerlerine sahip piksellerin kümelendiği süper piksel haritasında göz küresinin, ekstraoküler kasların ve optik sinirin süper pikselleri kümesine tıklayın.
Maskeleri hassaslaştırmak için, dilimlerdeki bazı süper pikselleri maskeledikten sonra SmartFill sihirbazına tıklayın, ardından Otomatik Düzeltme simgesine tıklayın ve düzeltilen maske etiketlerinin hesaplandığından emin olun. Maskelemenin iyileştirilmesi tamamlandıktan sonra, maskelenmiş görüntüleri kaydedin. Ön işleme için Python betiğini çalıştırın ve VOI'ler klasörüne kırpılan ve kaydedilen taramaları ve maskeleri kontrol edin.
VOI'leri U-Net dizisi için giriş olarak kullanmak üzere üç sıralı CT dilimi kümesine dönüştürmek için dizi oluşturucu Python betiğini çalıştırın. Sırasıyla tarama klasöründeki ve maske klasöründeki ve önceden işlenmiş klasörlerdeki kaydedilmiş, dönüştürülmüş BT taramalarını ve maskelerini kontrol edin. Yörüngesel segmentasyon modelini oluşturmak için, Python komut dosyası anasını çalıştırın.
py ve kıvrım numaralarını verin. Eğitim yinelemelerinin sayısı olan dönemi ayarlayın ve tek bir eğitim oturumundaki eğitim örneklerinin sayısı olan toplu iş boyutunu ayarlayın. Komut dosyası ana.
py ayrıştırıcılar olmadan çalışabilir, bu durumda varsayılan değerlerle çalışır. Eğitimden sonra modelin testini gerçekleştirin ve zar puanı ve hacim benzerliği gibi değerlendirme metriklerini hesaplayın. Son olarak, görüntü dosyaları olarak kaydedilen sonuçları kontrol edin.
Orbital yapı segmentasyonu için U-Net dizisini kullanan göz küresi segmentasyonu, görsel benzerlik veya VS skoru 0.83 ve yüksek zar skoru 0.86 elde etti, çünkü VOI'lerin büyük bir kısmına ve BT taramaları arasında çok az heterojenliğe sahipti. Ekstraoküler kasların segmentasyonu için 0.54 ve optik sinir için 0.34 gibi düşük bir zar skoru elde edildi, çünkü BT hacminde nadiren ortaya çıktılar ve nispeten az sayıda BT diliminde bulundular. Bununla birlikte, ekstraoküler kasların ve optik sinirin görsel benzerlik puanları, zar skorlarından daha yüksekti, bu da segmentasyonun özgüllüğünün düşük olduğunu göstermektedir.
Genel olarak, tüm yörüngesel alt yapıların segmentasyonu 0.79'luk bir zar puanı ve 0.82'lik bir görsel benzerlik puanı elde etti. Uygulamaya bağlı olarak, VOI'nin boyutu ve pencere kırpma seviyesi değişebilir. Dizi oluşturucu kodunu başka büyük amaçlar için değiştirebilirsiniz.
Ayrıca, model eğitimi için hiperparametreler değiştirilebilir. Model, model eğitimi için çok fazla bir sayı olmayan 46 VOI ile eğitilmiştir. Eğitim veri kümelerinin az sayıda olması nedeniyle düşük performansın üstesinden gelmek için, aktarım öğrenimi ve etki alanı gösterimi uygulanabilir.
Genel Bakış
Bu çalışma, anatomik yapıların maskelenmesini kolaylaştıran, orbital bilgisayarlı tomografi (BT) görüntüleri için bir nesne segmentasyonu protokolü sunmaktadır. Protokol, biyopsisi zor olan orbital hastalıkların teşhisini geliştirmeyi amaçlamaktadır.
Temel Çalışma Bileşenleri
Bilim Alanı
- Nörobilim
- Tıbbi Görüntüleme
- Bilgisayarlı Görü
Arka Plan
- Orbital hastalıklar sıklıkla non-invaziv tanı yöntemleri gerektirir.
- BT görüntüleme, orbital yapıların görselleştirilmesi için değerli bir araçtır.
- Mevcut segmentasyon yöntemleri doğruluk ve verimlilik açısından sınırlıdır.
- Süper-çözünürlük teknikleri, daha iyi segmentasyon için görüntü kalitesini artırabilir.
Çalışmanın Amacı
- BT görüntülerinde orbital yapıların doğru şekilde segmentasyonu için bir protokol geliştirmek.
- Anatomik bölgelerin analiz için maskelenme sürecini optimize etmek.
- Orbital hastalıkların teşhisine yönelik gelecekteki araştırmalar için bir temel oluşturmak.
Kullanılan Yöntemler
- Orbital yapıların temel gerçeklik (ground truth) etiketlemesi için süper çözünürlüğün kullanımı.
- BT görüntülerinden ilgile hacminin (VOI) çıkarılması.
- Çok etiketli segmentasyon için 2D ardışık bir U-Net modelinin uygulanması.
- Segmentasyon performansının dice skoru ve görsel benzerlik gibi metrikler kullanılarak değerlendirilmesi.
Temel Sonuçlar
- Göz küresi segmentasyonu için 0,83 görsel benzerlik skoru ve 0,86 dice skoru elde edildi.
- BT taramalarındaki sınırlı görünümler nedeniyle ekstraoküler kaslar için 0,54 ve optik sinir için 0,34 şeklinde daha düşük dice skorları alındı.
- Orbital alt yapıların genel segmentasyonu 0,79 dice skoru verdi.
- Sonuçlar, orbital hastalıklarda tanısal doğruluğu artırma potansiyelini göstermektedir.
Sonuçlar
- Geliştirilen protokol, orbital yapı segmentasyonunun verimliliğini artırmaktadır.
- Sınırlı eğitim verisiyle model performansını iyileştirmek için transfer öğrenimi gerekli olabilir.
- Bu çalışma, invaziv olmayan orbital tanı yöntemlerindeki gelecek gelişmeler için temel oluşturmaktadır.
Sıkça Sorulan Sorular
Yönetici Endüstriyel Uygunluk
Orbital BT görüntülerinin derin öğrenme tabanlı segmentasyonu, kritik anatomik yapıların kesin ve tekrarlanabilir şekilde belirlenmesini sağlayarak, oftalmik ve nöro-oftalmik bozukluklardaki erken keşif ve translasyonel araştırmaları destekler. Otomatik ve yüksek sadakatli segmentasyon, hastalıkla ilgili modellerin ve kantitatif görüntüleme biyobelirteçlerinin geliştirilmesini hızlandırarak manuel anotasyon yükünü azaltır ve preklinik görüntüleme iş akışlarındaki öngörü güvenini artırır. Bu yetenek, hedef doğrulaması ve mekanistik risk azaltma için standartlaştırılmış, ölçeklenebilir görüntüleme uç noktaları sağlayarak portföy karar verme süreçlerini güçlendirir.
Biyofarma Ar-Ge'de Stratejik Uygulamalar
Erken Keşif ve Hedef Doğrulama
- Otomatik segmentasyon, hipotez testleri için orbital yapıların objektif nicelendirilmesini sağlar.
- Tekrarlanabilir görüntüleme çıktıları sağlayarak fonksiyonel hedef doğrulamayı destekler.
- Hassas anatomik tanımlama yoluyla mekanistik risk azaltmayı kolaylaştırır.
- Erken aşama oftalmik araştırmalarda öngörü güvenilirliğini artırır.
Tarama ve Analiz Geliştirme
- Alt akışlı görüntü analizi iş akışları için doğrulanmış, yüksek çözünürlüklü maskeler sağlar.
- Segmentasyon çıktılarını standartlaştırarak tekrarlanabilirliği ve analiz ölçeklenebilirliğini destekler.
- Bileşiklerin orbital anatomi üzerindeki etkilerinin kantitatif değerlendirmesine olanak tanır.
- Veri setlerini güçlü tarama ve platform yeniden kullanımı için hazırlar.
Translasyonel ve Preklinik Araştırmalar
- Görüntüleme son noktalarını, hastalıkla ilgili anatomik özelliklerle uyumlu hale getirir.
- Keşif görüntülemesinden preklinik doğrulama çalışmalarına kadar sürekliliği sağlar.
- Kantitatif ve tekrarlanabilir görüntüleme biyobelirteçleri sağlayarak riskten arındırılmış ilerlemeyi destekler.
- Görüntüleme tabanlı karar noktalarında translasyonel güveni artırır.
İş Akışı ve Pipeline Entegrasyonu
Bu segmentasyon protokolü; erken hipotez testlerinden preklinik model geliştirmeye ve translasyonel biyobelirteç doğrulamasına kadar uzanan görüntüleme keşif sürekliliğine entegre edilmiştir.
- Keşif Biyolojisi: Belirli orbital yapıları izole ederek ve nicelendirerek titiz nül hipotezi testlerine olanak tanır.
- Tarama: Yüksek kapasiteli görüntü analizi için standardize edilmiş, tekrarlanabilir segmentasyon maskeleri sağlar.
- Analitikler: Koşullar arası karşılaştırma için dice skoru ve görsel benzerlik gibi nicel metrikler sunar.
- Translasyonel Araştırma: Segmentasyon çıktılarını hastalıkla ilgili anatomiyle hizalayarak, keşif görüntülemesini preklinik son noktalarla ilişkilendirir.
- Kurumsal Yeniden Kullanım: Diğer anatomik bölgelere ve görüntüleme modalitelerine uyarlanabilen, ölçeklenebilir ve değiştirilebilir bir protokol sunar.
Operasyonel ve Kurumsal Etki
- Bilimsel Değer: Görüntüleme tabanlı hedef doğrulamasında öngörücü güveni artırır ve belirsizliği azaltır.
- Operasyonel Değer: Açıklama ekleme süreçlerini kolaylaştırır, tekrarlanabilirliği artırır ve ölçeklenebilir görüntüleme iş akışlarını destekler.
- Stratejik Değer: Güçlü görüntüleme uç noktaları sağlayarak go/no-go (devam/durdur) kararlarını ve sermaye verimliliğini iyileştirir.
- Portföy Etkisi: Görüntüleme odaklı programların riske göre ayarlanmış önceliklendirmesine ve ilerlemesine olanak tanır.
Uygulama Hususları
- Derin öğrenme, tıbbi görüntü analizi ve Python tabanlı iş akışı yönetimi konularında uzmanlık gerektirir.
- Model eğitimi ve değerlendirmesi için yüksek kaliteli BT görüntüleme verilerine ve hesaplama altyapısına erişim gereklidir.
- Anotasyon protokollerinin ve değerlendirme metriklerinin ekipler arası standardizasyonunu gerektirir.
- Önişleme ve model parametrelerinin modifikasyonu ile diğer anatomik bölgelere uyarlanabilir.
- Performans, eğitim veri seti boyutu tarafından sınırlandırılabilir; transfer öğrenme, veri kıtlığını azaltabilir.
Biyofarma SSS
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
