궤도 컴퓨터 단층 촬영 을 통한 딥러닝 기반 의료 영상 분할 적용

우리는 이 연구에서 궤도 컴퓨터 단층 촬영 이미지에 대한 물체 분할 프로토콜을 도입했습니다. 세계 최초의 재판입니다. 이 프로그램을 사용하면 원하는 곳에서 쉽게 해부학 부분을 마스킹 할 수 있습니다.

시간과 노력을 시각화하고 절약합니다. 이 연구가 생검이 어려운 궤도 질환 진단의 초석이 될 수 있기를 바랍니다. 마스킹 소프트웨어 프로그램을 실행하여 시작하십시오.

궤도 CT를 로드하려면 파일 열기 아이콘을 클릭하고 대상 CT 파일을 선택합니다. 슈퍼픽셀을 사용하여 안구, 시신경 및 외안근을 마스킹하려면 MediLabel에서 스마트펜슬 마법사를 클릭하여 스마트펜슬을 실행합니다. 다음으로, 필요한 경우 슈퍼 픽셀 맵의 해상도를 제어하고 유사한 이미지 강도 값의 픽셀이 클러스터링되는 슈퍼 픽셀 맵에서 안구, 외안근 및 시신경의 수퍼 픽셀 클러스터를 클릭하십시오.

마스크를 미세 조정하려면 슬라이스의 일부 수퍼 픽셀을 마스킹한 후 SmartFill 마법사를 클릭한 다음 자동 수정 아이콘을 클릭하고 수정된 마스크 레이블이 계산되었는지 확인합니다. 마스킹 미세 조정이 완료되면 마스크된 이미지를 저장합니다. 전처리를 위해 Python 스크립트를 실행하고 잘려서 VOIs 폴더에 저장된 스캔 및 마스크를 확인합니다.

시퀀스 빌더 Python 스크립트를 실행하여 VOI를 시퀀스 U-Net의 입력으로 사용할 3개의 순차 CT 슬라이스 세트로 변환합니다. 스캔 폴더와 마스크 폴더 및 전처리된 폴더에서 저장, 변환된 CT 스캔과 마스크를 각각 확인합니다. 궤도 분할 모델을 빌드하려면 Python 스크립트 main을 실행합니다.

py 및 접힌 숫자를 지정하십시오. 훈련 반복 횟수인 epoch를 설정하고 배치 크기(단일 훈련 세션의 훈련 샘플 수)를 설정합니다. 스크립트 메인.

py는 파서 없이 실행할 수 있으며, 이 경우 기본값으로 실행됩니다. 훈련 후 모델의 테스트를 수행하고 주사위 점수 및 볼륨 유사성과 같은 평가 메트릭을 계산합니다. 마지막으로 이미지 파일로 저장된 결과를 확인합니다.

궤도 구조 분할을 위해 시퀀스 U-Net을 사용한 안구 분할은 VOI의 많은 부분과 CT 스캔 간의 이질성이 거의 없기 때문에 0.83의 시각적 유사성 또는 VS 점수와 0.86의 높은 주사위 점수를 달성했습니다. 외안근의 분할에 대해 0.54, 시신경의 경우 0.34의 낮은 주사위 점수가 달성되었는데, 이는 CT 볼륨에서 드물게 나타나고 상대적으로 적은 수의 CT 조각에서 발견되었기 때문입니다. 그러나 외안근과 시신경의 시각적 유사성 점수는 주사위 점수보다 높았으며, 이는 분할의 특이성이 낮았음을 나타냅니다.

전반적으로, 모든 궤도 하부 구조의 분할은 0.79의 주사위 점수와 0.82의 시각적 유사성 점수를 달성했습니다. 응용 프로그램에 따라 VOI의 크기와 창 캡처 수준이 다를 수 있습니다. 다른 훌륭한 목적을 위해 시퀀스 빌더 코드를 수정할 수 있습니다.

또한 모델 학습을 위한 하이퍼파라미터를 수정할 수 있습니다. 모델은 46개의 VOI로 훈련되었으며, 이는 모델 훈련에 많은 수가 아닙니다. 적은 수의 훈련 데이터 세트로 인한 낮은 성능을 극복하기 위해 전이 학습 및 도메인 표기법을 적용할 수 있습니다.