Applicazione della segmentazione delle immagini mediche basata sul deep learning tramite tomografia computerizzata orbitale

Recentemente, i modelli di segmentazione basati sul deep learning sono stati ampiamente applicati nel campo oftalmico. Questo studio presenta il processo completo di costruzione di un modello di segmentazione della tomografia computerizzata orbitale (CT) basato su U-Net. Per l'apprendimento supervisionato, è necessario un processo laborioso e dispendioso in termini di tempo. Viene introdotto il metodo di etichettatura con super-risoluzione per mascherare efficacemente la verità di terra sulle immagini TC orbitali. Inoltre, il volume di interesse viene ritagliato come parte della pre-elaborazione del set di dati. Quindi, dopo aver estratto i volumi di interesse delle strutture orbitali, il modello per segmentare le strutture chiave della CT orbitale viene costruito utilizzando U-Net, con fette 2D sequenziali che vengono utilizzate come input e due brevi memorie convoluzionali bidirezionali a lungo termine per conservare le correlazioni inter-fette. Questo studio si concentra principalmente sulla segmentazione del bulbo oculare, del nervo ottico e dei muscoli extraoculari. La valutazione della segmentazione rivela la potenziale applicazione della segmentazione alle immagini TC orbitali utilizzando metodi di deep learning.