Otomatik Eklem Alanı Tespiti Kemik Segmentasyon Hassasiyetini Artırır

Son zamanlarda yüksek verimli görüntü işleme algoritmaları, derin öğrenme modellerini eğitme potansiyeline sahip karmaşık eklemlerin çok sayıda altın standart kemik segmentasyonu sağlamıştır. Mevcut zorluk, yapıya özgü algoritmalar ve önemli manuel düzeltme süreçleri göz önüne alındığında, gelecekteki deneylerde önceki segmentasyon stratejilerinin kullanılabilme imkanının sınırlı olmasıdır. Kemik sağlığı ve osteoartrit ilerlemesinin nicel olarak değerlendirilmesini mümkün kılan, el emeği ve yaşamlılığı en aza indiren tekrarlanabilir otomatik görüntü analizi ihtiyacını karşılıyoruz.

Başlamak için, kemik ve yumuşak dokunun net şekilde ayırt edilebildiğini gözlemlemek için mikro bilgisayarlı tomografi veri setine bakın. Bitişik kemiklerin sıkı sıkıştırılmış olduğu bölgeleri inceleyin; sınırlı görüntü çözünürlüğü ve minimal boşlukların sınırlarını tespit etmeyi zorlaştırdığı bölgeleri tespit edin. Denetimli havza tabanlı segmentasyon yönteminin yaklaşık %80 genel doğruluk sağladığı temel çizgiye dikkat edin. Segmentasyon doğruluğunu artırmak için, önceden eğitilmiş derin öğrenme ortak alan tahmin modelini önceden hazırlanmış görüntü işleme ve havza tabanlı kemik ayırma tarifiyle Amira yazılım ortamında birleştiren güncellenmiş bir iş akışı uygulayın.

Mikro bilgisayarlı tomografi veri setini Amira'ya yükleyin. Derin öğrenme tahmin modülünü bağlayın. Eğitilen modeli seçin ve Uygula tuşuna basarak başlangıç eklem uzayı segmentasyonu oluşturun.

Sonra tarifi resimli tarif oynatıcı modülüne yükle. Mikro bilgisayarlı tomografi veri setini ön eklem segmentasyonunu birleştirin ve tarifi uygulayarak tamamen bireysel kemiklerle nihai segmentasyonu elde edin. Son olarak, renk haritasını etiket 256'ya ayarlayarak ve arka paçta bireysel kemiklerin başarılı ayrılmasını doğrulamak için ortogonal dilimleri ve hacim renderlerini inceleyerek elde edilen çıktıyı değerlendirin.

Görüntü işleme tarifini incelemek veya düzenlemek için Amira'da görüntü tarifi çalışma odasını açın ve kemik ayırma tarifini yükleyin. Gerekli giriş verilerini bağlayın ve mevcut veri seti için iş akışını özelleştirmek için Özellikler penceresinde parametreleri ayarlayın. İş akışı yapısını gözden geçirmek için, tarifin oluşturduğu ara çıktıları sıralı olarak görselleştirin, ardından kapanış, aritmetik çıkarma ve eşik belirleme yoluyla uygulanan matematiksel morfoloji siyah üst şapka yöntemini uygulayın ve bu adımı çevresinden daha koyu olan ve birleşim bölgelerine karşılık gelen voxelleri vurgulamak için kullanın.

Spesifikliği artırmak için, eklem alanlarına karşılık gelen koyu, ince düzlemsel yapıları geliştirmek için Yapı Geliştirme filtresini uygulayın. Tensör oy aşamasını içeren Membran Geliştirme filtresi uygulanarak eklem sürekliliğini daha da güçlendirir. Sonra, periartiküler negatif uzayı tanımlamak için eğitilmiş konvolüsyon sinir ağı tarafından oluşturulan eklem maskesini, önceki görüntü işleme filtrelerinden elde edilen sonuçlarla entegre ederek nihai eklem maskesi oluşturulur.

Kemik ayrımını tamamlamak için, son eklem maskesini kemik maskesinden çıkarır ve kalan her bağlı bileşeni tek bir kemik için bir işaretleyici olarak ele alın. Devreleme algoritmasını uygulayarak her işaretçiyi orijinal kemik maskesi içinde büyütmek, bireysel kemikleri yeniden oluşturmak ve görüntü yoğunluklarına göre sınırları optimal konuma yerleştirmek. Derin öğrenme modeli için eğitim verilerini hazırlamak amacıyla, dengeli cinsiyet dağılımına ve yaşları 2 ila 6 ay arasında değişen 40 arka pini temsil eden 20 vahşi tip veri seti seçilir.

Her veri setinden altı alt hacim çıkarın, arka pas başına üç alt hacim var. Ayak bileği bölgelerini, rakamları ve temsil eden arka plan alanlarını kapsamak için 200 x 200 x 200 x 200 voxel ölçüsünde alt hacimler kullanın. ResNet-18 omurga ile üç boyutlu bir U-Net mimarisi yapılandırın.

Model Adam algoritmasını kullanarak 0.0001 başlangıç hızı ve rastgele başlatılmış ağırlıklarla optimize edin. Modeli zar kaybı fonksiyonuyla eğitin ve birlik metrik üzerindeki kesişim kullanarak doğrulama performansını izleyin. Mikro-BT veri setlerinde eklem boşluklarını belirlemek için derin öğrenme kullanımı, bireysel arka pay kemiklerinin net ve tutarlı ayrılmasını mümkün kıldı.

Periartiküler negatif uzaya odaklanarak, model yoğun bölgelerde bile kemik sınırlarını doğru şekilde belirledi. Yarı otomatik iş akışına kıyasla yaklaşık %80 doğruluk sağladı, derin öğrenme yaklaşımı vahşi tip fareler için belirgin bir gelişme sağladı ve minimum manuel düzeltmeyle %98-99 doğruluğa ulaştı. Tümör nekroz faktörü veya TNF transgenik farelerde, derin öğrenme yöntemi, ilerleyici inflamatuar eroziv hastalıklara rağmen erken hastalık ilerleme aşamalarında yaklaşık %98 doğrulukla yüksek performansı korudu.

Model yalnızca arka ayaklar üzerinde eğitilse de, anatomik olarak tutarlı segmentasyonlar elde etmek için yeniden eğitim verilmeden doğrudan ön patilere uygulanabiliyor ve karmaşık yapılara güçlü genelleme göstermiştir. TNF transgenik ön pençelerinde şiddetli erozyon hastalığı ve eklem hasarının ilerlemesinin hızlandığı tespit edildi. Protokolümüz, segmentasyon doğruluğunu ve otomasyonunu artırırken, manuel düzeltmeler ve ek uzman açıklamaları sayesinde sürekli performans iyileştirmelerine izin vermeye devam eder.

Gelecekteki araştırmalarımız, esneklik ve uygulamayı artırmaya devam etmek için birden fazla benzersiz yapı, hastalık modeli ve otomatik algoritmaları dahil etmeyi hedefliyor.