מבוא: התפקיד הקריטי של Liver Segmentation ב- Modern Radiology

חי פלחציה מ- CT (הכולל טומוגרפיה) ו-MRI (דמיית החזר מגנטי) היא משימה בסיסית בניתוח תמונה רפואית. Accurate delineation של גבולות הכבד חיוני למגוון רחב של יישומים קליניים: קוונטית מדד הכבד לתכנון כירורגי, זיהוי ואפיית קידודים עקביים, מעקב אחר התקדמות המחלה בתנאים כרוניים, והנחיית קרינה, עם זאת, לחץ דם מתמשך, עמוק יותר, לחץ דם, על פני תהליכים מתקדמים באופן דרמטי יותר, על פני חומרת, על פני חומרת, ואפקטים מתקדמים באופן קבוע, על ידי גירוי מתמשך, ואפקטים, על פני ניגודים מתקדמים, והתאמה אוטומטית, על פני ניגודיות של לחץ דם, על פני ניגודים מתקדמים, על פני ניגודיות, והתאמה אישית, שיפור של לחץ דם עקבי יותר, והתאמה אישית, והתאמה אישית, על ידי גירוי קבוע, שיפור של לחץ דם, שיפור של לחץ דם עקבי יותר, והתאמה אישית, שיפור משמעותי יותר, שיפור משמעותי, והתאמה אישית, והתאמה אישית, שיפור משמעותי יותר, שיפור משמעותי יותר, שיפור משמעותי של לחץ דם, שיפור משמעותי של לחץ דם גבוה יותר, שיפור משמעותי של לחץ דם גבוה יותר, שיפור של לחץ דם עקבי יותר, שיפור משמעותי יותר, שיפור משמעותי של

החשיבות הקלינית של אישור חי

ניתוח כבד מוקדם הוא קריטי עבור קביעת יכולת טיפולית מיידית קבלת החלטות קליניות. בניתוח hepatobiliary, המדידה המדויקת של חומר כבד היא קריטית לקביעת הכדאיות של דלקת hepatectomy חלקית, וכן להערכת estimating עתידי כבד. inכבד השתלה, ניתוח נפחי מסייע להעריך התאמת זמן ו- graft-to-recipientalation יחס של כבד.

אתגרים ב Liver Segmentation

למרות עשרות שנים של מחקר, פערי הכבד עדיין קשים בשל מספר גורמים פנימיים וקיצוניים:

  • (FLT:0) מורכבות אנטומית: FLT:1 לכבד יש צורה משתנה מאוד, עם קוביה שמאל דק, צמח ימין עבה, ולעתים קרובות וריאציות גדולות בין חולים.
  • (FLT:0) ניגודים עם מבנים סמוכים:FLT:1 הכבד חולק ערכים אינטנסיביים דומים עם הבטן, spleen, ו pancreas על CT לא מוכר, ועל T1 או T2 במשקל MRI הגבולות ניתן לטשטש.
  • (FLT:0)Motion and Breath Objects: FLT:1) התנועה הנשימה במהלך רכישת סריקות גורמת לטשטש וטעון שגוי, במיוחד ברצף הבטן.
  • שינויים פתולוגיים: FLT:1 , כגון cirrhosis, חדירה שומן, פיברוזיס, או גידולים גדולים מעוותים האנטומיה הרגילה, מה שהופך את גילוי הגבול קשה יותר.
  • (FLT:0) ההטרוגניות בתוך הכבד: ⁇ 1) וריאציות בהרחבה parenchymal במהלך שלבים ניגודים שונים (arterial, venous, איחור) פירושו כי אלגוריתם פלח אחד חייב להתמודד עם מאפיינים שונים של תמונה.
  • (FLT:0) אינטואיציה של אנטוטציה: פלמנט ידני של רדיולוגים לעתים קרובות מראה הבדלים בין-סובר משמעותיים, מה שהופך את זה קשה להגדיר אמת קרקע עבור מודלים בפיקוח.

אתגרים אלה עוררו את הפיתוח של צינורות עיבוד תמונות מתוחכמות יותר המשלבים מיצוי תכונה מתקדם, למידת מכונה ומגבלות עיבוד לאחר.

טכניקות עיבוד תמונות מתקדמות

זרימת עבודה של מתחל כבד מודרנית כוללת בדרך כלל שלושה שלבים: עיבוד, פלח (באמצעות שיטות מסורתיות או מבוססות למידה), ולאחר עיבוד לאחר. בעוד גישות מוקדמות התבססו על גילוי קצה, אזור גדל, או הרשמה מבוססת אטלס, המדינה הנוכחית של האמנות נשלטת באופן מכריע על ידי למידה עמוקה.

גישות מבוססות למידה עמוקה

רשתות עצביות מהפכתיות (CNN) פיתחו פלמנטציה אוטומטית מהפכה.בניגוד לשיטות בעלות אופי ידני, CNN לומדים ייצוגים היררכיים ישירות מנתוני תמונה.עבור פילוח כבד, הארכיטקטורה הנפוצה ביותר כוללת:

  • (FLT:0U-Net וגרסאותיה:FearLT:1 ,U-Net, שתוכנן במקור עבור פיזור תמונות ביו-רפואי, משתמש במבנה קודקוד קודר עם חיבורים לדלג על מנת לשמר את פרטי המרחב.מודולציות כגון Attention U-Net, Residual U-Net, ו- 3D U-Net יש שיפור נוסף על ידי שילוב מנגנונים או כרך Atric, לדוגמה, מחסני מידע חלק יותר, למסגרות חלק יותר, למסגרות של מחסנים, למסגרות חלק יותר, למסגרות של מחסניות, מחסנים, מחסנים של מחסנים של מחסנים של מחסנים, מחסנים של מחסנים של מחסנים של מחסנים, ו-3D U-Net, ו-3D U-Net, ו-3D U-Compleent, לתהליכי תיבות של מחסנים, לתהליכי תיבות של מחסנים, לתהליכי תיבות של מחסנים, ו-3D U-Comples-Compleent, לתהליכי מידע חלק יותר, למסגרות של מחסנים, למסגרות של מחסנים, למסגרות של מחסניות, לתהליכי מידע חלק יותר, ו-3D U
  • (FLT:0)nU-Net (לא חדש-U-Net): FLT:1 מסגרת זו מתאמת באופן אוטומטי ארכיטקטורת רשת, עיבוד ואימון יתר-פרמטרים להצגת הנתונים.It השיגה באופן עקבי דירוגים גבוהים ביותר באתגרים של פילוח רפואי, כולל האתגר Liver Tumor Segment (LiTS) ונחשב בסיס חזק.
  • (FLT:0) מודלים מבוססי Transformer:FLT:1 שנים האחרונות ראו את שילוב של מהפךי ראייה (ViT) ו Swin Transformers עבור פלחציה.The Swin U-Net, לדוגמה, משלב את מבנה U-Net עם שינוי עצמי-window-ow-ow-window-ow-ow-in-window-ow-ow-ow-in-unancy-termencies תלוי כי ייתכן ש-CNNs מסוימים מראים הבטחה מסוימת בטיפול במקרים גדולים או בכבדים עם אנטומיים.
  • (FLT:0) גישות Hybrid:FLT:1eurs להשתמש CNN עבור פלח ראשוני ולאחר מכן ליישם שיטות מבוססות גרף או קווי מתאר פעילים עבור הזיכוך.לדוגמה, רשת למידה עמוקה עשויה לייצר מפת הסתברות אשר לאחר מכן מוזן לתוך אבולוציה ברמה כדי להבטיח גבולות חלקה.

אימון מודלים אלה דורש נתונים גדולים, לא ממושמעים.אתגר LiTS ו repositories ציבוריים כמו ה Segmentation רפואי Decathlon סיפקו נתונים רב-תחומיים מגוונים. Data Reproduction (rotation, דרוג, עיוותים גמישים, שינויים אינטנסיביים) חיוני כדי לשפר את הכללה על פני סורקים ופרוטוקולים מודרניים.

Multi-Phase ו- Multi-Modal Fusion

סריקת CT או MRI חד-פעמי לעתים קרובות חסר ניגודיות מספיק כדי להפריד את הכבד מרקמות הסובבות. Multi-phase הדמיה - שבו סריקות נרכשות במספר נקודות זמן שיפור ניגודיות (לא-contrast, arterial, פורטלים, venous, איחור) - מספק מידע משלים. בדומה, שילוב CT ו- MRI (או רצפי MRI שונים כמו T1-משקל, T2-משקל, ואפליה DW) יכול לשפר רקמות.

אסטרטגיות היתוך מתקדמות משלבות את נפח רב-פעמי או רב-ממדיים אלה כמו ערוצי קלט מרובים למודל למידה מעמיק אחד.לדוגמה, רשת שלוקחת ארבעה ערוצים (pre-contrast, arterial, פורטלים, ו-SBTs מעוכב) יכול ללמוד איזה שלב מדגיש את הכבד ביותר בכל מיקום מרחבי.עבור CT-MRI היתוך, אלגוריתמים ראשוני תואמים את ה-, ולאחר מכן את התהליכים המודל הראו כי הם הראו דיוקים דומים (D) על ידי דלקת ריאות (D) במיוחד.

מעבר לזיהום פשוט, כמה שיטות להשתמש היתוך מבוסס תשומת לב כי לומד משקל כל מודוליות הסתגלות.לדוגמה, חסימת לסחוט-וציטוט יכול לשחזר מפות תכונה משלבים שונים, תוך הדגשת אלה המודיעיניים ביותר תוך דיכוי רעש.

תוצאות חיפוש > REFITING RETIS

אפילו את המקטע הגולמי הטוב ביותר מרשת עצבית עשוי להכיל חורים קטנים, גבולות לא סדירים, או אזורים חיוביים כוזבים.שלבים של פוסט הם קריטיים להשגת תוצאות ניתנות למדידה קלינית.

  • (FLT:0) מסורתי שדות אקראיים (CRF): ההרחבה 1 (CRF) מחוברת לחלוטין CRF יכול לחלק את הסעיף תוך שמירה על הקצוות על ידי מודלים של מערכות יחסים פיקסלים בוהקים.
  • (FLT:0 פעולות מורפיות: 1.FLT:1 פעולות פשוטות כמו סינון חור, פתיחה, סגירה יכולים להסיר איים וקוורים חלק.אלה מהירים ויעילים לעתים קרובות כאשר הם מוחלים לאחר סף.
  • (FLT:0) רישום לאפלאס:ראה LT:1; אם נפח המקטע נרשם לבארלס כבד, התוצאה יכולה להיות מחוספסת לצורה אנטומית סבירה.זה שימושי במיוחד כאשר הרשת מייצרת פלחציה כי protrudes באופן מוגזם לתוך הצלעות או diaphragm.
  • (FLT:0) Ensemble averaging:FreaLT:1) שילוב תחזיות ממודלים מרובים (למשל, אדריכלות או אימונים שונים) ונטילת רוב חכם voxel יכול לשפר את החוסן ולהקטין את השחלות. עבור יישומים קליניים קריטיים, זהו תרגול מומלץ.

הערכת ביצועי ה- Segmentation

כדי לאמת את הדיוק של טכניקות פלח מתקדמות, כמה מדדים מדווחים באופן סטנדרטי:

  • (ה) ⁇ :0Dice similarity Coefficient (DSC): ⁇ FLT:1) מדדים חופפים בין חפיסה של אמת חזועה וקרקע.
  • <חזק>Hausdorff Distance (HD): Quantifies המרחק המרבי בין שני פלחות. A נמוך HD (למשל < 5 מ"מ) מצביע על היערכות טובה של גבול.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מדדי ביצועים בקנה מידה גדול, כגון אתגר LiTS ואתגר Liver Tumor Segmentation ב-MICCAI, מספקים הערכה סטנדרטית.המודלים המבצעים הטובים ביותר להשיג כיום משמעות DSCs של 0.96–0.98 על נתוני CT ו- 0.93–0.96 על MRI, המייצג שיפור דרמטי על פני שיטות רק לפני חמש שנים.

השפעה על זרימת עבודה קלינית

שילוב של פלח אוטומטי מתקדם לתוך תוכנה קלינית יש יתרונות מוחשיים:

  • זמן הניתוח:0 (FLT:1 ), סעיף כבד ידני יכול לקחת 15-30 דקות במקרה; שיטות אוטומטיות להפחית את זה שניות, ומאפשר לרדיולוגים להתמקד בפרשנות ולא לצייר קווי מתאר.
  • (FLT:0)Imrovated עקביות: FLT:1 , פלח אוטומטי מבטל את יכולת ה-U Observer variability, מתן תוצאה זהה של אותו קלט ללא קשר למפעיל.זה חיוני למעקב ארוך טווח של תגובה לגידול או שינוי בנפח כבד.
  • (FLT:0) גילוי של נגעים קטנים: ⁇ FLT 1:1 מקטע כבד מובטח מספק מסכה שניתן להשתמש כדי לא לכלול parenchyma רגיל, מה שהופך את זיהוי מחשב של metastas קטן יותר רגיש ולהפחית חיובי כוזב ממבני חוץ-הפטיים.
  • (FLT:0) תכנון טרום-אקטיבי טוב יותר: FLT:1 עבור השתלת כבד דונוור חי, ניתוח נפחי מדויק של כבד התורם הוא חובה. פלח אוטומטי גם מאפשר הדמיה 3D של הvasculature ומטוסי repartre מתוכנן, שיפור תוצאות ניתוח.
  • (FLT:0)Quantification for Clinical Experiments:FreaLT:1 בניסויים תרופתיים למחלת כבד שומני או כבד fibrosis, פלח אוטומטי מאפשר לכמת סטנדרטית של סמנים ביולוגיים (למשל, שבריר שומן כבד מ-MRI-PDFF או נוקשות מ-MRI) במרכזים מרובים.

מספר פתרונות מסחריים (למשל, סימנסגו.Via, GE AW Server, InstaRecon, ו- צד שלישי הצעות מחברות כמו Perspectum ו MEDIAN Technologies) משלבות כעת פער כבד מבוסס למידה עמוקה.עם זאת, חוקרים רבים עדיין משתמשים בקוד פתוח או באלגוריתמים ביתיים למטרות מחקר.האתגר נשאר לשלב באופן חלק את הכלים האלה לתוך פרוטוקול הגנת הפרטיות (Picture) ומערכת הפעלה מינימלית (Demicial) עם פרוטוקול תקשורת שימוש בפרוטוקולים ספציפיים).

כיוונים עתידיים

למרות ההתקדמות המדהימה, כמה גבולות נותרו פתוחים:

  • (FLT:0) , בזמן אמת פלמנטציה: 1FLT) עבור הליכים התערבותיים כגון ביופסיה כבד חתומה או blation, חתך זמן קצר לפני זמן קצר כי עדכונים במהלך ההכנסה מחט יכול לשפר את מיקוד ובטיחות. רשתות קל משקל (למשל, יעיל 3D CNN או דיטציה של מודלים גדולים) נחקרים כדי לרוץ על חומרה נמוכה כוח.
  • (FLT:0) אינטגרציה עם ניווט כירורגי:FIRLT:1 Fusion של פלח כבד טרום פעיל עם אולטרסאונד intra-active או CT תמונות יכול לספק מציאות מוגברת עבור המנתחים.זה דורש רישום מהיר עיוות כדי לקחת בחשבון עבור שינוי איברים.
  • למידה יעילה עבור אוכלוסיות מגוונות: FLT:0) איסוף נתונים גדולים ומגונים ממוסדות מרובים מאתגרת בשל חששות פרטיות. למידה פדרנד מאפשרת להכשיר מודל משותף על פני בתי חולים ללא העברת נתונים גולמיים.זה יכול לשפר את ההכללה לפתולוגיות נדירות ואוכלוסיות אתניות שונות.
  • (FLT:0)Robustness to domain Shift:FearLT:1 מודלים מאומן על נתונים של מוכר סורק אחד או פרוטוקול לעתים קרובות degrade כאשר הוא מוחל על אחרים.טכניקות כמו הסתגלות דומיין, למידה ניגודית, ונורמליזציה עצמית הם תחומי מחקר פעילים כדי להפוך את המודלים פלח יותר רלוונטי.
  • (FLT:0) הסבירות וחוסר הוודאות: FLT:1 בהגדרות קליניות, קורנולוגים צריכים לסמוך על פלט הפלט.אספקת מפות אי ודאות (למשל, מונטה קרלו טיפותout או variance) יכול להדגיש את האזורים מודל הוא לא ברור, מה שגורם לסקירה ידנית.
  • (FLT:0)מעבר לכל הכבד:FLT:1 בעוד שמגזר ה-liver כולו הוא כעת מדויק מאוד, פלמנט תת-קרקעי (Couinaud פלמנטים) וחלוקי גידול בו-זמנית נשארים מאתגרים יותר.קבוצות מחקר רבות מתמקדות כעת במודלים רב-task שמחלקים במשותף את הכבד, החרקים והשטחים הלב וכלי הדם.

מסקנה

עיבוד תמונה מתקדם, במיוחד למידה עמוקה עם ריבוי נתונים היתוך, מודלים מודרניים להשיג באופן שגרתי את הפרשות הכבד ממשימה ידנית אינטנסיבית עבודה- inensive משימה לתוך תהליך מהיר, הדדי, מדויק מאוד אוטומטי תהליך אוטומטי מאוד.מודלים מודרניים להשיג באופן שגרתי ציוני Dice מעל 0.96 על CT ומדגימים ביצועים חזקים יותר על פני אוכלוסיות סבלניות ופרוטוקולים הדמיה.ההשפעה הקלינית היא עמוקה: שינויים מהירים יותר, ניתוחי, וצמצם את יכולת ניתוח כמותית, ואפילו להפוך לתדנציה יעילה יותר, כמו גם כן, תוך שיפור יעיל יותר, תהליך ניתוח גופני, תוך כדי ניתוח רב יותר, תהליך ניתוח גופני, תוך כדי שיפור יעיל יותר, תוך כדי שיפור יעיל יותר, תוך כדי ניתוח גופני, תוך כדי שיפור יעיל יותר, תוך כדי שיפור יעיל יותר, תוך כדי ניתוח גופני, תוך כדי ניתוח גופני, תהליך יעיל יותר, תוך כדי שיפור יעיל יותר, תהליך ניתוח כבד, תוך כדי שיפור יעיל יותר, תוך כדי ניתוח יעיל יותר, תוך כדי שיפור יעיל יותר, תוך כדי ניתוח יעיל יותר, תוך כדי ניתוח יעיל יותר, תהליך ניתוח יעיל יותר, תהליך ניתוח יעיל יותר, תוך כדי שיפור יעיל יותר, תוך כדי ניתוח יעיל יותר, כמו גם על גבי חומר ניתוח יעיל יותר, כמו גם על גבי חומר ניתוח יעיל יותר, תהליך ניתוח יעיל יותר,

לקריאה נוספת, שקול את המשאבים הבאים:

  • (FLT:0)nU-Net: שיטה להגדרה עצמית של פלמנט תמונה ביו-רפואית מבוסס למידה עמוקה (Isensee et al., Nature Methods, 2021)
  • (ב) אתגר הפחתת מידע (LiTS) - זמין ב-DatasetsmentFLT:1
  • ועדת המודיעין המלאכותית של נציבות המודיעין המלאכותית של נציבות המודיעין המלאכותית (FLT:0)
  • (FLT:0) סקירה של למידה עמוקה עבור פיזור כבד ב- CT ו-MRI (Zho et al., 2021)