本研究では、眼窩コンピュータ断層撮影画像のための物体分割プロトコルを導入した。これは世界で最初の裁判です。このプログラムを使用すると、解剖学的部分のマスキングを好きな場所で簡単に行うことができます。
それはあなたの時間と労力を視覚化して節約します。本研究が、生検が困難な眼窩疾患の診断の礎となることを期待しています。マスキングソフトウェアプログラムを実行することから始めます。
オービタルCTをロードするには、ファイルを開くアイコンをクリックし、ターゲットCTファイルを選択します。スーパーピクセルを使用して眼球、視神経、および外眼筋をマスクするには、MediLabel のスマートペンシルウィザードをクリックしてスマートペンシルを実行します。次に、必要に応じてスーパーピクセルマップの解像度を制御し、類似した画像強度値のピクセルがクラスター化されているスーパーピクセルマップ上の眼球、外眼筋、視神経のスーパーピクセルのクラスターをクリックします。
マスクを調整するには、スライス上のスーパーピクセルの一部をマスクした後にスマートフィルウィザードをクリックし、次にオートコレクトアイコンをクリックして、修正されたマスクラベルが計算されていることを確認します。マスキングの調整が完了したら、マスクされた画像を保存します。前処理のためにPythonスクリプトを実行し、トリミングされてVOIsフォルダに保存されているスキャンとマスクを確認します。
シーケンスビルダーのPythonスクリプトを実行して、VOIをシーケンスU-Netの入力として使用する3つのシーケンシャルCTスライスのセットに変換します。保存され、変換されたCTスキャンとマスクをスキャンフォルダーとマスクフォルダーと前処理フォルダーにそれぞれ確認します。軌道セグメンテーション モデルを構築するには、Python スクリプト main を実行します。
pyとフォールド番号を与えます。エポック (トレーニングの反復回数) を設定し、バッチ サイズ (1 回のトレーニング セッション内のトレーニング サンプルの数) を設定します。スクリプトのメイン。
pyはパーサーなしで実行でき、その場合、デフォルト値で実行されます。トレーニング後にモデルのテストを実行し、サイコロスコアやボリューム類似度などの評価メトリックを計算します。最後に、画像ファイルとして保存された結果を確認します。
軌道構造セグメンテーションにシーケンスU-Netを用いた眼球セグメンテーションは、VOIの大部分を持ち、CTスキャン間の異質性がほとんどないため、視覚的類似性またはVSスコア0.83と高いサイコロスコア0.86を達成しました。外眼筋のセグメンテーションでは0.54、視神経では0.34と低く、CT容量にはほとんど現れず、比較的少数のCTスライスで見られたため、サイコロスコアスコアが達成されました。しかし、外眼筋と視神経の視覚的類似性スコアはサイコロスコアよりも高く、セグメンテーションの特異度が低いことを示しています。
全体として、すべての軌道下部構造のセグメンテーションは、0.79のサイコロスコアと0.82の視覚的類似性スコアを達成しました。アプリケーションに応じて、VOIのサイズとウィンドウのクリッピングのレベルは異なる場合があります。シーケンス・ビルダーのコードは、他の大きな目的のために変更できます。
また、モデルトレーニングのハイパーパラメータを変更することもできます。モデルは46個のVOIでトレーニングされましたが、これはモデルトレーニングでは多くありません。トレーニングデータセットの数が少ないことによるパフォーマンスの低下を克服するために、転移学習とドメイン表記を適用できます。
