基于深度学习的医学图像分割在轨道计算机断层扫描 中的 应用

本研究介绍了轨道计算机断层扫描图像的目标分割协议。这是世界上第一次审判。使用此程序，您可以在所需的任何解剖部位轻松进行遮罩。

它可视化并节省您的时间和精力。我们希望这项研究能够成为诊断眼眶疾病的基石，这些疾病很难活检。首先运行屏蔽软件程序。

要加载轨道 CT，请单击打开的文件图标并选择目标 CT 文件。要使用超像素掩盖眼球、视神经和眼外肌，请通过单击MediLabel中的智能铅笔向导来运行智能铅笔。接下来，如有必要，控制超级像素图的分辨率，并在超像素图上单击眼球、眼外肌和视神经的超像素簇，其中聚集了相似图像强度值的像素。

要优化蒙版，请在遮罩切片上的一些超级像素后单击 SmartFill 向导，然后单击“自动更正”图标，并确保计算校正后的蒙版标签。蒙版的细化完成后，保存蒙版图像。运行 Python 脚本进行预处理，并检查裁剪并保存在 VOI 文件夹中的扫描和掩码。

运行序列生成器 Python 脚本，将 VOI 转换为一组三个连续的 CT 切片，以用作序列 U-Net 的输入。分别检查扫描文件夹和掩模文件夹以及预处理文件夹中保存、转换的 CT 扫描和掩模。要构建轨道分割模型，请运行 Python 脚本 main。

py 并给出折叠编号。设置周期（即训练迭代次数）和批量大小（即单个训练会话中的训练样本数）。脚本主。

py 可以在没有解析器的情况下运行，在这种情况下，它以默认值运行。训练后对模型进行测试，并计算骰子分数和体积相似度等评估指标。最后，检查保存为图像文件的结果。

使用序列U-Net进行眼眶结构分割的眼球分割实现了0.83的视觉相似性或VS评分和0.86的高骰子分，因为它具有大部分VOI，CT扫描之间的异质性很小。眼外肌分割的骰子得分较低，为0.54，视神经的骰子得分为0.34，因为它们很少出现在CT体积中，并且在相对较少的CT切片中发现。然而，眼外肌和视神经的视觉相似性得分高于其骰子评分，这表明分割的特异性较低。

总体而言，所有轨道子结构的分割都取得了0.79的骰子得分和0.82的视觉相似性得分。根据应用的不同，VOI 的大小和窗口剪切的级别可能会有所不同。您可以出于其他重要目的修改序列生成器代码。

此外，还可以修改模型训练的超参数。该模型使用 46 个 VOI 进行训练，这对于模型训练来说并不是一个很大的数字。为了克服由于训练数据集数量少而导致的低性能，可以应用迁移学习和域符号。