Применение сегментации медицинских изображений на основе глубокого обучения с помощью орбитальной компьютерной томографии

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.