Bu çalışmada orbital bilgisayarlı tomografi görüntüleri için nesne segmentasyon protokolünü tanıttık. Dünyadaki ilk denemedir. Bu programı kullanarak, herhangi bir anatomi parçasında maskelemeyi istediğiniz yerde kolayca yapabilirsiniz.
Zamanınızı ve emeğinizi görselleştirir ve tasarruf etmenizi sağlar. Bu çalışmanın biyopsi için zor olan orbital hastalıkların tanısında bir mihenk taşı olabileceğini umuyoruz. Maskeleme yazılımı programını çalıştırarak başlayın.
Orbital BT'yi yüklemek için, açık dosya simgesine tıklayın ve hedef BT dosyasını seçin. Göz küresini, optik siniri ve ekstraoküler kasları süper pikseller kullanarak maskelemek için MediLabel'daki SmartPencil sihirbazına tıklayarak SmartPencil'ı çalıştırın. Ardından, gerekirse süper piksel haritasının çözünürlüğünü kontrol edin ve benzer görüntü yoğunluğu değerlerine sahip piksellerin kümelendiği süper piksel haritasında göz küresinin, ekstraoküler kasların ve optik sinirin süper pikselleri kümesine tıklayın.
Maskeleri hassaslaştırmak için, dilimlerdeki bazı süper pikselleri maskeledikten sonra SmartFill sihirbazına tıklayın, ardından Otomatik Düzeltme simgesine tıklayın ve düzeltilen maske etiketlerinin hesaplandığından emin olun. Maskelemenin iyileştirilmesi tamamlandıktan sonra, maskelenmiş görüntüleri kaydedin. Ön işleme için Python betiğini çalıştırın ve VOI'ler klasörüne kırpılan ve kaydedilen taramaları ve maskeleri kontrol edin.
VOI'leri U-Net dizisi için giriş olarak kullanmak üzere üç sıralı CT dilimi kümesine dönüştürmek için dizi oluşturucu Python betiğini çalıştırın. Sırasıyla tarama klasöründeki ve maske klasöründeki ve önceden işlenmiş klasörlerdeki kaydedilmiş, dönüştürülmüş BT taramalarını ve maskelerini kontrol edin. Yörüngesel segmentasyon modelini oluşturmak için, Python komut dosyası anasını çalıştırın.
py ve kıvrım numaralarını verin. Eğitim yinelemelerinin sayısı olan dönemi ayarlayın ve tek bir eğitim oturumundaki eğitim örneklerinin sayısı olan toplu iş boyutunu ayarlayın. Komut dosyası ana.
py ayrıştırıcılar olmadan çalışabilir, bu durumda varsayılan değerlerle çalışır. Eğitimden sonra modelin testini gerçekleştirin ve zar puanı ve hacim benzerliği gibi değerlendirme metriklerini hesaplayın. Son olarak, görüntü dosyaları olarak kaydedilen sonuçları kontrol edin.
Orbital yapı segmentasyonu için U-Net dizisini kullanan göz küresi segmentasyonu, görsel benzerlik veya VS skoru 0.83 ve yüksek zar skoru 0.86 elde etti, çünkü VOI'lerin büyük bir kısmına ve BT taramaları arasında çok az heterojenliğe sahipti. Ekstraoküler kasların segmentasyonu için 0.54 ve optik sinir için 0.34 gibi düşük bir zar skoru elde edildi, çünkü BT hacminde nadiren ortaya çıktılar ve nispeten az sayıda BT diliminde bulundular. Bununla birlikte, ekstraoküler kasların ve optik sinirin görsel benzerlik puanları, zar skorlarından daha yüksekti, bu da segmentasyonun özgüllüğünün düşük olduğunu göstermektedir.
Genel olarak, tüm yörüngesel alt yapıların segmentasyonu 0.79'luk bir zar puanı ve 0.82'lik bir görsel benzerlik puanı elde etti. Uygulamaya bağlı olarak, VOI'nin boyutu ve pencere kırpma seviyesi değişebilir. Dizi oluşturucu kodunu başka büyük amaçlar için değiştirebilirsiniz.
Ayrıca, model eğitimi için hiperparametreler değiştirilebilir. Model, model eğitimi için çok fazla bir sayı olmayan 46 VOI ile eğitilmiştir. Eğitim veri kümelerinin az sayıda olması nedeniyle düşük performansın üstesinden gelmek için, aktarım öğrenimi ve etki alanı gösterimi uygulanabilir.
