Introdujimos el protocolo de segmentación de objetos para imágenes de tomografía computarizada orbital en este estudio. Es el primer juicio en el mundo. Con este programa, puede hacer enmascaramiento en cualquier parte de la anatomía fácilmente donde desee.
Visualiza y ahorra su tiempo y esfuerzo. Esperamos que este estudio pueda ser una piedra angular para el diagnóstico de enfermedades orbitarias, que son difíciles de biopsiar. Comience ejecutando el programa de software de enmascaramiento.
Para cargar la TC orbital, haga clic en el icono de abrir archivo y seleccione el archivo CT de destino. Para enmascarar el globo ocular, el nervio óptico y los músculos extraoculares mediante superpíxeles, ejecute el SmartPencil haciendo clic en el asistente de SmartPencil en MediLabel. A continuación, controle la resolución del mapa de superpíxeles, si es necesario, y haga clic en el grupo de superpíxeles del globo ocular, los músculos extraoculares y el nervio óptico en el mapa de superpíxeles, donde se agrupan píxeles de valores de intensidad de imagen similares.
Para refinar las máscaras, haga clic en el asistente SmartFill después de enmascarar algunos de los superpíxeles de los sectores, luego haga clic en el icono de Autocorrección y asegúrese de que se calculan las etiquetas de máscara corregidas. Una vez que se complete el refinamiento del enmascaramiento, guarde las imágenes enmascaradas. Ejecute el script de Python para el procesamiento previo y verifique los escaneos y las máscaras que se recortan y guardan en la carpeta VOI.
Ejecute el script Python del generador de secuencias para transformar los VOI en un conjunto de tres cortes CT secuenciales para usar como entrada para la secuencia U-Net. Compruebe las tomografías computarizadas y las máscaras guardadas y transformadas en la carpeta de exploración y la carpeta de máscara y las carpetas preprocesadas, respectivamente. Para construir el modelo de segmentación orbital, ejecute el script de Python main.
py y dar los números de pliegue. Establezca la época, que es el número de iteraciones de entrenamiento, y establezca el tamaño del lote, que es el número de muestras de entrenamiento en una sola sesión de entrenamiento. El script principal.
PY puede ejecutarse sin los analizadores, en cuyo caso, se ejecuta con valores predeterminados. Realice las pruebas del modelo después del entrenamiento y calcule las métricas de evaluación, como la puntuación de los dados y la similitud de volumen. Finalmente, verifique los resultados guardados como archivos de imagen.
La segmentación del globo ocular utilizando la secuencia U-Net para la segmentación de la estructura orbital logró una similitud visual o puntuación VS de 0,83 y una puntuación de dados alta de 0,86 porque tenía una gran parte de los VOI y poca heterogeneidad entre las tomografías computarizadas. Se logró una puntuación baja de dados de 0,54 para la segmentación de los músculos extraoculares y 0,34 para el nervio óptico, porque aparecieron con poca frecuencia en el volumen de la TC y se encontraron en un número relativamente pequeño de cortes de TC. Sin embargo, los puntajes de similitud visual de los músculos extraoculares y el nervio óptico fueron más altos que sus puntajes de dados, lo que indica que la especificidad de la segmentación fue baja.
En general, la segmentación de todas las subestructuras orbitales logró una puntuación de dados de 0,79 y una puntuación de similitud visual de 0,82. Dependiendo de la aplicación, el tamaño de VOI y el nivel de recorte de ventana pueden variar. Puede modificar el código del generador de secuencias para otros grandes propósitos.
Además, se pueden modificar los hiperparámetros para el entrenamiento de modelos. El modelo fue entrenado con 46 VOIs, que no es un gran número para el entrenamiento del modelo. Para superar el bajo rendimiento debido al pequeño número de conjuntos de datos de entrenamiento, se podría aplicar el aprendizaje de transferencia y la notación de dominio.
