Introduzimos o protocolo de segmentação de objetos para imagens de tomografia computadorizada orbital neste estudo. É o primeiro julgamento no mundo. Usando este programa, você pode fazer mascaramento em qualquer parte de anatomia facilmente onde você quiser.
Ele visualiza e economiza seu tempo e esforço. Esperamos que este estudo possa ser uma pedra angular para o diagnóstico de doenças orbitárias, que são difíceis para a biópsia. Comece executando o programa de software de mascaramento.
Para carregar a TC orbital, clique no ícone de arquivo aberto e selecione o arquivo CT de destino. Para mascarar o globo ocular, o nervo óptico e os músculos extraoculares usando superpixels, execute o SmartPencil clicando no assistente SmartPencil no MediLabel. Em seguida, controle a resolução do mapa de superpixels, se necessário, e clique no conjunto de superpixels do globo ocular, músculos extraoculares e nervo óptico no mapa de superpixels, onde pixels de valores de intensidade de imagem semelhantes estão agrupados.
Para refinar as máscaras, clique no assistente SmartFill depois de mascarar alguns dos superpixels nas fatias e, em seguida, clique no ícone de AutoCorreção e verifique se os rótulos de máscara corrigidos são computados. Quando o refinamento do mascaramento estiver completo, salve as imagens mascaradas. Execute o script Python para pré-processamento e verifique as varreduras e máscaras que são cortadas e salvas na pasta VOIs.
Execute o script Python do construtor de sequências para transformar as VOIs em um conjunto de três fatias de CT sequenciais para usar como entrada para a sequência U-Net. Verifique as tomografias computadorizadas salvas e transformadas e as máscaras na pasta de varredura e na pasta de máscaras e nas pastas pré-processadas, respectivamente. Para construir o modelo de segmentação orbital, execute o script Python main.
py e dê os números da dobra. Defina a época, que é o número de iterações de treinamento, e defina o tamanho do lote, que é o número de amostras de treinamento em uma única sessão de treinamento. O script principal.
py pode ser executado sem os analisadores, caso em que ele é executado com valores padrão. Realize o teste do modelo após o treinamento e calcule as métricas de avaliação, como pontuação de dados e similaridade de volume. Finalmente, verifique os resultados salvos como arquivos de imagem.
A segmentação do globo ocular utilizando a sequência U-Net para segmentação da estrutura orbital alcançou uma similaridade visual ou escore VS de 0,83 e um alto escore de dados de 0,86 por apresentar uma grande parcela das VOIs e pouca heterogeneidade entre as tomografias. Um escore baixo de dados de 0,54 para a segmentação dos músculos extraoculares e 0,34 para o nervo óptico, porque eles raramente apareciam no volume da TC e foram encontrados em um número relativamente pequeno de cortes tomográficos. No entanto, os escores de similaridade visual dos músculos extraoculares e do nervo óptico foram superiores aos seus escores de dados, o que indica que a especificidade da segmentação foi baixa.
No geral, a segmentação de todas as subestruturas orbitais alcançou uma pontuação de dados de 0,79 e uma pontuação de similaridade visual de 0,82. Dependendo da aplicação, o tamanho do VOI e o nível de recorte de janela podem variar. Você pode modificar o código do construtor de sequência para outros fins excelentes.
Além disso, os hiperparâmetros para o treinamento do modelo podem ser modificados. O modelo foi treinado com 46 VOIs, o que não é um grande número para o treinamento do modelo. Para superar o baixo desempenho devido ao pequeno número de conjuntos de dados de treinamento, o aprendizado de transferência e a notação de domínio poderiam ser aplicados.
