Nous avons introduit le protocole de segmentation d’objets pour les images orbitales de tomodensitométrie dans cette étude. C’est le premier procès au monde. En utilisant ce programme, vous pouvez faire le masquage sur n’importe quelle partie de l’anatomie facilement où vous le souhaitez.
Il visualise et économise votre temps et vos efforts. Nous espérons que cette étude pourra être une pierre angulaire pour le diagnostic des maladies orbitaires, qui sont difficiles pour la biopsie. Commencez par exécuter le logiciel de masquage.
Pour charger le CT orbital, cliquez sur l’icône d’ouverture du fichier et sélectionnez le fichier CT cible. Pour masquer le globe oculaire, le nerf optique et les muscles extraoculaires à l’aide de superpixels, exécutez le SmartPencil en cliquant sur l’assistant SmartPencil dans MediLabel. Ensuite, contrôlez la résolution de la carte des super pixels, si nécessaire, et cliquez sur le groupe de superpixels du globe oculaire, des muscles extraoculaires et du nerf optique sur la carte des superpixels, où les pixels de valeurs d’intensité d’image similaires sont regroupés.
Pour affiner les masques, cliquez sur l’assistant SmartFill après avoir masqué certains des superpixels sur les tranches, puis cliquez sur l’icône Correction automatique et assurez-vous que les étiquettes de masque corrigées sont calculées. Une fois le raffinement du masquage terminé, enregistrez les images masquées. Exécutez le script Python pour le prétraitement et vérifiez les analyses et les masques qui sont rognés et enregistrés dans le dossier VOIs.
Exécutez le script Python du générateur de séquence pour transformer les VOI en un ensemble de trois tranches CT séquentielles à utiliser comme entrée pour la séquence U-Net. Vérifiez les tomodensitogrammes et les masques enregistrés et transformés dans le dossier de numérisation et le dossier masque et les dossiers prétraités respectivement. Pour générer le modèle de segmentation orbitale, exécutez le script Python principal.
py et donner les numéros de pliage. Définissez l’époque, qui est le nombre d’itérations d’apprentissage, et définissez la taille du lot, qui est le nombre d’échantillons d’apprentissage dans une seule session d’entraînement. Le script principal.
PY peut s’exécuter sans les analyseurs, auquel cas, il s’exécute avec les valeurs par défaut. Effectuez les tests du modèle après l’entraînement et calculez les mesures d’évaluation telles que le score de dés et la similitude de volume. Enfin, vérifiez les résultats enregistrés sous forme de fichiers image.
La segmentation du globe oculaire à l’aide de la séquence U-Net pour la segmentation de la structure orbitale a obtenu une similitude visuelle ou un score VS de 0,83 et un score de dés élevé de 0,86 parce qu’elle avait une grande partie des VOI et peu d’hétérogénéité entre les tomodensitométries. Un score de dés faible de 0,54 a été obtenu pour la segmentation des muscles extraoculaires et de 0,34 pour le nerf optique, car ils apparaissaient rarement dans le volume CT et se trouvaient dans un nombre relativement faible de tranches CT. Cependant, les scores de similitude visuelle des muscles extraoculaires et du nerf optique étaient plus élevés que leurs scores de dés, ce qui indique que la spécificité de la segmentation était faible.
Dans l’ensemble, la segmentation de toutes les sous-structures orbitales a atteint un score de dés de 0,79 et un score de similarité visuelle de 0,82. Selon l’application, la taille de VOI et le niveau d’écrêtage de fenêtre peuvent varier. Vous pouvez modifier le code du générateur de séquence à d’autres fins intéressantes.
En outre, les hyperparamètres pour la formation du modèle peuvent être modifiés. Le modèle a été formé avec 46 VOI, ce qui n’est pas un grand nombre pour la formation du modèle. Pour surmonter les faibles performances dues au petit nombre d’ensembles de données d’apprentissage, l’apprentissage par transfert et la notation de domaine pourraient être appliqués.
