कक्षीय गणना टोमोग्राफी (सीटी) छवियों के लिए एक ऑब्जेक्ट विभाजन प्रोटोकॉल पेश किया गया है। सुपर-रिज़ॉल्यूशन का उपयोग करके कक्षीय संरचनाओं की जमीनी सच्चाई को लेबल करने, सीटी छवियों से रुचि की मात्रा निकालने और कक्षीय सीटी छवियों के लिए 2 डी अनुक्रमिक यू-नेट का उपयोग करके बहु-लेबल विभाजन मॉडलिंग के तरीकों को पर्यवेक्षित सीखने के लिए समझाया गया है।
हाल ही में, नेत्र क्षेत्र में गहन शिक्षण-आधारित विभाजन मॉडल व्यापक रूप से लागू किए गए हैं। यह अध्ययन यू-नेट पर आधारित एक कक्षीय गणना टोमोग्राफी (सीटी) विभाजन मॉडल के निर्माण की पूरी प्रक्रिया प्रस्तुत करता है। पर्यवेक्षित सीखने के लिए, एक श्रम-गहन और समय लेने वाली प्रक्रिया की आवश्यकता होती है। कक्षीय सीटी छवियों पर जमीनी सच्चाई को कुशलतापूर्वक मुखौटा करने के लिए सुपर-रिज़ॉल्यूशन के साथ लेबलिंग की विधि पेश की गई है। इसके अलावा, रुचि की मात्रा डेटासेट के पूर्व-प्रसंस्करण के हिस्से के रूप में क्रॉप की जाती है। फिर, कक्षीय संरचनाओं की रुचि की मात्रा निकालने के बाद, कक्षीय सीटी की प्रमुख संरचनाओं को विभाजित करने के लिए मॉडल का निर्माण यू-नेट का उपयोग करके किया जाता है, जिसमें अनुक्रमिक 2 डी स्लाइस होते हैं जिनका उपयोग इनपुट के रूप में किया जाता है और अंतर-स्लाइस सहसंबंधों के संरक्षण के लिए दो द्वि-दिशात्मक संक्रामक दीर्घकालिक लघु यादें होती हैं। यह अध्ययन मुख्य रूप से नेत्रगोलक, ऑप्टिक तंत्रिका और एक्स्ट्राओकुलर मांसपेशियों के विभाजन पर केंद्रित है। विभाजन के मूल्यांकन से गहरी सीखने के तरीकों का उपयोग करके कक्षीय सीटी छवियों के लिए विभाजन के संभावित अनुप्रयोग का पता चलता है।
कक्षा लगभग 30.1 सेमी3 का एक छोटा और जटिल स्थान है जिसमें नेत्रगोलक, तंत्रिकाएं, एक्स्ट्राओकुलर मांसपेशियां, सहायक ऊतक और दृष्टि और नेत्रगोलकआंदोलनों के लिए वाहिकाओं जैसी महत्वपूर्ण संरचनाएं शामिल हैं। कक्षीय ट्यूमर कक्षा में असामान्य ऊतक वृद्धि हैं, और उनमें से कुछ रोगियों की दृष्टि या नेत्रगोलक आंदोलन को खतरे में डालते हैं, जिससे घातक शिथिलता हो सकती है। रोगियों के दृश्य समारोह को संरक्षित करने के लिए, चिकित्सकों को ट्यूमर विशेषताओं के आधार पर उपचार के तौर-तरीकों पर निर्णय लेना चाहिए, और एक सर्जिकल बायोप्सी आम तौर पर अपरिहार्य है। यह कॉम्पैक्ट और भीड़-भाड़ वाला क्षेत्र अक्सर चिकित्सकों के लिए सामान्य संरचना को नुकसान पहुंचाए बिना बायोप्सी करना चुनौतीपूर्ण बनाता है। कक्षा की स्थिति निर्धारित करने के लिए पैथोलॉजी का गहन शिक्षण-आधारित छवि विश्लेषण बायोप्सी 2 के दौरान कक्षीय ऊतकों को अनावश्यक या परिहार्य चोट से बचने में मदद कर सकताहै। कक्षीय ट्यूमर के लिए छवि विश्लेषण की एक विधि ट्यूमर का पता लगाना और विभाजन है। हालांकि, कक्षीय ट्यूमर युक्त सीटी छवियों के लिए बड़ी मात्रा में डेटा का संग्रह उनकी कम घटनाओंके कारण सीमित है। कम्प्यूटेशनल ट्यूमर निदान 4 के लिए अन्य कुशल विधिमें कक्षा की सामान्य संरचनाओं के लिए ट्यूमर की तुलना करना शामिल है। सामान्य संरचनाओं में कक्षीय सीटी छवियों की संख्या ट्यूमर की तुलना में अपेक्षाकृत बड़ी है। इसलिए, सामान्य कक्षीय संरचनाओं का विभाजन इस लक्ष्य को प्राप्त करने के लिए पहला कदम है।
यह अध्ययन डेटा संग्रह, पूर्व-प्रसंस्करण और बाद के मॉडलिंग सहित गहरी सीखने-आधारित कक्षीय संरचना विभाजन की पूरी प्रक्रिया प्रस्तुत करता है। अध्ययन का उद्देश्य एक नकाबपोश डेटासेट को कुशलतापूर्वक उत्पन्न करने के लिए वर्तमान विधि का उपयोग करने में रुचि रखने वाले चिकित्सकों के लिए और नेत्र रोग विशेषज्ञों के लिए कक्षीय सीटी छवियों के लिए पूर्व-प्रसंस्करण और मॉडलिंग के बारे में जानकारी की आवश्यकता है। यह लेख कक्षीय संरचना विभाजन और अनुक्रमिक यू-नेट के लिए एक नई विधि प्रस्तुत करता है, चिकित्सा छवि विभाजन के लिए यू-नेट में एक प्रतिनिधि गहन-शिक्षण समाधान के आधार पर एक अनुक्रमिक 2 डी विभाजन मॉडल। प्रोटोकॉल कक्षा विभाजन की विस्तृत प्रक्रिया का वर्णन करता है, जिसमें (1) कक्षा संरचना विभाजन की जमीनी सच्चाई के लिए मास्किंग टूल का उपयोग कैसे करें, (2) कक्षीय छवियों के पूर्व-प्रसंस्करण के लिए आवश्यक चरण, और (3) विभाजन मॉडल को कैसे प्रशिक्षित किया जाए और विभाजन प्रदर्शन का मूल्यांकन किया जाए।
पर्यवेक्षित सीखने के लिए, चार अनुभवी नेत्र रोग विशेषज्ञ, जिन्हें 5 वर्षों से अधिक समय तक बोर्ड प्रमाणित किया गया था, ने नेत्रगोलक, ऑप्टिक तंत्रिका और एक्स्ट्राओकुलर मांसपेशियों के मास्क को मैन्युअल रूप से एनोटेट किया। सभी नेत्र रोग विशेषज्ञों ने मास्किंग सॉफ्टवेयर प्रोग्राम (मेडीलेबल, सामग्री की तालिका देखें) का उपयोग किया, जो सीटी स्कैन पर कुशल मास्किंग के लिए सुपर-रिज़ॉल्यूशन का उपयोग करता है। मास्किंग सॉफ्टवेयर में निम्नलिखित अर्ध-स्वचालित विशेषताएं हैं: (1) स्मार्टपेंसिल, जो छवि तीव्रता 5 के समान मूल्यों के साथ सुपर पिक्सेल मैप क्लस्टर उत्पन्न करताहै; (2) स्मार्टफिल, जो चल रहे अग्रभूमि और पृष्ठभूमि 6,7 के ऊर्जा कार्य की गणना करके विभाजन मास्क उत्पन्न करता है; और (3) ऑटोकरेक्शन, जो विभाजन मास्क की सीमाओं को साफ और मूल छवि के अनुरूप बनाता है। अर्ध-स्वचालित सुविधाओं की उदाहरण छवियां चित्रा 1 में दिखाई गई हैं। मैनुअल मास्किंग के विस्तृत चरण प्रोटोकॉल अनुभाग (चरण 1) में प्रदान किए गए हैं।
अगला कदम कक्षीय सीटी स्कैन की पूर्व-प्रसंस्करण है। ऑर्बिटल वॉल्यूम ऑफ इंटरेस्ट (वीओआई) प्राप्त करने के लिए, कक्षा के उन क्षेत्रों की पहचान की जाती है जहां नेत्रगोलक, मांसपेशी और तंत्रिका सामान्य परिस्थितियों में स्थित होते हैं, और इन क्षेत्रों को क्रॉप किया जाता है। डेटासेट में एक उच्च रिज़ॉल्यूशन है, जिसमें <1 मिमी इन-प्लेन वोक्सेल रिज़ॉल्यूशन और स्लाइस मोटाई है, इसलिए प्रक्षेप प्रक्रिया को छोड़ दिया जाता है। इसके बजाय, विंडो क्लिपिंग 48 एचयू क्लिपिंग स्तर और 400 एचयू विंडो पर आयोजित की जाती है। फसल और विंडो क्लिपिंग के बाद, विभाजन मॉडल इनपुट8 के लिए कक्षा वीओआई के तीन सीरियल स्लाइस उत्पन्न होते हैं। प्रोटोकॉल अनुभाग (चरण 2) पूर्व-प्रसंस्करण चरणों पर विवरण प्रदान करता है।
यू-नेट9 चिकित्सा छवियों के लिए एक व्यापक रूप से उपयोग किया जाने वाला विभाजन मॉडल है। यू-नेट आर्किटेक्चर में एक एनकोडर शामिल है, जो चिकित्सा छवियों की विशेषताओं को निकालता है, और एक डिकोडर, जो भेदभावपूर्ण विशेषताओं को शब्दार्थ रूप से प्रस्तुत करता है। सीटी स्कैन के लिए यू-नेट को नियोजित करते समय, संक्रामक परतों में 3 डी फिल्टर10,11 होते हैं। यह एक चुनौती है क्योंकि 3 डी फिल्टर की गणना के लिए एक बड़ी मेमोरी क्षमता की आवश्यकता होती है। 3 डी यू-नेट के लिए मेमोरी आवश्यकताओं को कम करने के लिए, एसईक्यू-यूएनईटी8, जिसमें यू-नेट में अनुक्रमिक 2 डी स्लाइस का एक सेट उपयोग किया जाता है, प्रस्तावित किया गया था। 3 डी सीटी स्कैन के 2 डी छवि स्लाइस के बीच स्थानिक सहसंबंधों के नुकसान को रोकने के लिए, बुनियादी यू-नेट में दो द्वि-दिशात्मक संक्रामक दीर्घकालिक लघु यादें (सी-एलएसटीएम) 12 नियोजित की जाती हैं। पहला द्वि-दिशात्मक सी-एलएसटीएम एन्कोडर के अंत में अंतर-स्लाइस सहसंबंध निकालता है। दूसरा द्वि-दिशात्मक सी-एलएसटीएम, डिकोडर के आउटपुट के बाद, स्लाइस अनुक्रम के आयामों में सिमेंटिक विभाजन जानकारी को एकल छवि विभाजन में बदल देता है। एसईक्यू-यूएनईटी की वास्तुकला चित्रा 2 में दिखाया गया है। कार्यान्वयन कोड github.com/SleepyChild1005/OrbitSeg पर उपलब्ध हैं, और कोड का उपयोग प्रोटोकॉल अनुभाग (चरण 3) में विस्तृत है।
गहरी शिक्षा-आधारित चिकित्सा छवि विश्लेषण व्यापक रूप से बीमारी का पता लगाने के लिए उपयोग किया जाता है। नेत्र विज्ञान डोमेन में, मधुमेह रेटिनोपैथी, ग्लूकोमा, उम्र से संबंधित मैकुलर अपघटन और प्रीमेच्योरिटी के रेटिनोपैथी में पहचान और विभाजन मॉडल का उपयोग किया जाता है। हालांकि, गहन शिक्षण विश्लेषण के लिए बड़े खुले सार्वजनिक डेटासेट तक सीमित पहुंच के कारण नेत्र विज्ञान के अलावा अन्य दुर्लभ बीमारियों का अध्ययन नहीं किया गया है। इस पद्धति को उन स्थितियों में लागू करते समय जब कोई सार्वजनिक डेटासेट उपलब्ध नहीं होता है, मास्किंग चरण, जो एक श्रम-गहन और समय लेने वाला कार्य है, अपरिहार्य है। हालांकि, प्रस्तावित मास्किंग चरण (प्रोटोकॉल अनुभाग, चरण 1) थोड़े समय के भीतर उच्च सटीकता के साथ मास्किंग उत्पन्न करने में मदद करता है। सुपर पिक्सल और न्यूरल नेटवर्क-आधारित फिलिंग का उपयोग करके, जो क्लस्टर पिक्सेल हैं जो निम्न-स्तरीय छवि गुणों में समान हैं, चिकित्सक विशिष्ट पिक्सेल को इंगित करने के बजाय पिक्सेल के समूहों पर क्लिक करके मास्क को लेबल कर सकते हैं। इसके अलावा, स्वचालित सुधार फ़ंक्शन मास्क प्रक्रियाओं को परिष्कृत करने में मदद करते हैं। इस पद्धति की दक्षता और प्रभावशीलता चिकित्सा अनुसंधान में अधिक नकाबपोश छवियों को उत्पन्न करने में मदद करेगी।
प्री-प्रोसेसिंग में कई संभावनाओं में से, वीओआई निकालना और विंडो क्लिपिंग प्रभावी तरीके हैं। यहां, वीओआई निकालने और विंडो क्लिपिंग को प्रोटोकॉल के चरण 2 में पेश किया गया है। जब चिकित्सक डेटासेट तैयार करते हैं, तो दिए गए डेटासेट से वीओआई निकालना प्रक्रिया में सबसे महत्वपूर्ण कदम है क्योंकि अधिकांश विभाजन के मामले पूरी चिकित्सा छवि में छोटे और विशिष्ट क्षेत्रों पर ध्यान केंद्रित करते हैं। वीओआई के बारे में, नेत्रगोलक, ऑप्टिक तंत्रिका और एक्स्ट्राओकुलर मांसपेशियों के क्षेत्रों को स्थान के आधार पर क्रॉप किया जाता है, लेकिन वीओआई निकालने के लिए अधिक प्रभावी तरीकों में विभाजन प्रदर्शनमें सुधार करने की क्षमता है।
विभाजन के लिए, एसईक्यू-यूएनईटी को अध्ययन में नियोजित किया गया है। 3 डी चिकित्सा छवियों में बड़ी मात्रा होती है, इसलिए गहरे तंत्रिका नेटवर्क मॉडल को बड़ी मेमोरी क्षमताओं की आवश्यकता होती है। एसईक्यू-यूएनईटी में, विभाजन मॉडल को 3 डी जानकारी की विशेषताओं को खोए बिना आवश्यक मेमोरी आकार को कम करने के लिए स्लाइस की एक छोटी संख्या के साथ लागू किया जाता है।
मॉडल को 46 वीओआई के साथ प्रशिक्षित किया गया था, जो मॉडल प्रशिक्षण के लिए एक बड़ी संख्या नहीं है। प्रशिक्षण डेटासेट की छोटी संख्या के कारण, ऑप्टिक तंत्रिका और एक्स्ट्राओकुलर मांसपेशी विभाजन का प्रदर्शन सीमित है। ट्रांसफर लर्निंग15 और डोमेन अनुकूलन8 विभाजन प्रदर्शन में सुधार के लिए एक समाधान प्रदान कर सकते हैं।
यहां पेश की गई पूरी विभाजन प्रक्रिया कक्षीय सीटी विभाजन तक सीमित नहीं है। कुशल लेबलिंग विधि एक नया चिकित्सा छवि डेटासेट बनाने में मदद करती है जब एप्लिकेशन डोमेन अनुसंधान क्षेत्र के लिए अद्वितीय होता है। पूर्व-प्रसंस्करण और विभाजन मॉडलिंग से संबंधित गिटहब के पायथन कोड को फसल क्षेत्र, विंडो क्लिपिंग स्तर और मॉडल हाइपर-पैरामीटर के संशोधन के साथ अन्य डोमेन पर लागू किया जा सकता है, जैसे अनुक्रमिक स्लाइस की संख्या, यू-नेट आर्किटेक्चर, और इसी तरह।
The authors have nothing to disclose.
इस काम को कोरिया के राष्ट्रीय अनुसंधान फाउंडेशन (एनआरएफ) द्वारा समर्थित किया गया था, कोरिया के विज्ञान और आईसीटी मंत्रालय (एमएसआईटी) (संख्या: 2020 आर 1 सी 1 सी 1010079) द्वारा वित्त पोषित अनुदान। सीएमसी-ऑर्बिट डेटासेट के लिए, कैथोलिक मेडिकल सेंटर के केंद्रीय संस्थागत समीक्षा बोर्ड (आईआरबी) ने अनुमोदन प्रदान किया (XC19REGI0076)। यह काम 2022 होंगिक यूनिवर्सिटी रिसर्च फंड द्वारा समर्थित था।
GitHub link | github.com/SleepyChild1005/OrbitSeg | ||
MediLabel | INGRADIENT (Seoul, Korea) | a medical image labeling software promgram for segmentation with fewer click and higher speed | |
SEQ-UNET | downloadable from GitHub | ||
SmartFil | wizard in MediLabel | ||
SmartPencil | wizard in MediLabel |