Giriş: Modern Radyolojide Canlı Segmentasyonun Eleştirel Rolü

CT (kompresyona bağlı tomografi) ve MRG (manteratif rezonans görüntüleme) taramaları tıbbi görüntü analizinde temel bir görevdir.Sağlıklı organların (stomach, spleen, böbrekler ve diabetik) yakınlaştırılması ve farklı görüntüleme aşamalarındaki hataların belirlenmesi, hastalık ilerlemesi, özellikle de tıbbi görüntüleme yöntemlerin geliştirilmesi, özellikle değerlendirilmesi, karaciğerdeki belirgin bir şekilde iyileştirilmesi.

Doğru Liver Segmentasyonun Klinik Önemi

Precise karaciğer segmentasyonu doğrudan klinik karar vermemektedir. Her zamanatobiliary cerrahide, karaciğer hacmi ölçümü, kısmi her zamanektominin fizibilitesini ve gelecekteki karaciğer kalıntılarının belirlenmesine yardımcı olur.Süresel olarak uygun olmayan, yarı zamanlı olarak uygulanan cerrahi veya transaksiyon için gerekli olan tedavi için gerekli olan tedavi için gerekli olan tedavi için önemlidir.Inkoloji, hem de transariptiyonel felsiyonel olarak ölçümleme ve rejik kesme işlemine izin verir.

Liver Segmentasyonlarında Meydanlar

On yıllar süren araştırmaya rağmen, karaciğer segmentasyonu birkaç intrinsic ve extrinsic faktör nedeniyle zor kalır:

  • [FONT:0)Anatomik karmaşıklık:[Dönetici: 1) karaciğer oldukça değişken bir şekle sahiptir, ince bir sol loblu, hastalar arasında kalın bir sağ lob ve genellikle büyük değişiklikler.
  • [FONT:0) bitişik yapılarla karşılaştırıldığında: karaciğer mide ile benzer yoğunluk değerleri paylaşıyor, mide, spleen, ve pankreassız CT, ve T1- veya T2 ağırlıkta MRG'de, sınırların bulanıklaştırılmasında özellikle zorlanır.
  • [FONT=0]Motion ve nefes eserler: [Dönetici: [Dönetici:0]) Elde edilen satın alma sırasındaki Respiratory hareket, özellikle de karın dizilerinde bulanık ve yanlış bir şekilde ortaya çıkabilir.
  • [FONT:0)Patholojik değişiklikler: [Dönder: 1) Hastalıklar, filtrasyon, fibroz veya büyük tümörler normal anatomi, sınır tespitini daha zor hale getirebilir. Tumors, karaciğer yüzeyi veya bitişik organlar olabilir.
  • [FONT:0) Heterogeneity in the karaciğer:) Farklı kontrast aşamalarında parenchymal geliştirmede Variations (arterial, portal venous, gecikmiş) tek bir segmentasyon algoritmasının farklı görüntü özelliklerini ele alması gerektiği anlamına gelir.
  • [FONT=0)Annotasyon değişkenliği:[Döneticileri tarafından yapılan Kılavuz segmentasyon genellikle önemli bir inter-observer farklılıkları gösterir, denetimli modeller için bir zemin gerçeği tanımlamak zorlaşır.

Bu zorluklar, gelişmiş özellik çıkarma, makine öğrenimi ve işleme kısıtlamaları birleştiren giderek sofistike görüntü işleme hatlarının gelişimini teşvik etti.

Gelişmiş Görüntü İşleme Teknikleri

Modern karaciğer segmentasyon iş akışları genellikle üç aşama içerir: preişleme, segmentasyon (en geleneksel veya öğrenme tabanlı yöntemler kullanarak), ve post-işlem. erken yaklaşımlar kenar algılamasına, bölgeye büyüyen veya en az tabanlı kayıtlara dayanıyor olsa da, mevcut devlet-of-the-art, en etkili teknikleri inceler.

Deep LearningBased Approaches

Convolutional sinir ağları (CNNs) devrime otomatik segmentasyona sahiptir. el-crafted özellik yöntemlerinden farklı olarak CNNs görüntü verilerinden doğrudan hiyerarşik temsiller öğrenir.

  • [FONT:0]U-Net ve onun varyantları: U-Net, başlangıçta biyomedikal görüntü segmentasyon için tasarlanmış, uzaysal detayı korumak için bağlantı atlayan bir encoder yapı kullanır. dikkat U-Net, Residual UNet ve 3D UNet gibi değişiklikler, dikkat mekanizmaları veya hacimsel bağlam dahil ederek daha iyi performans elde etmiştir.
  • [FONT:0]nnUNet- (yeni-yeni:)[FONT: 1) Bu çerçeve otomatik olarak ağ mimarisine, işlem öncesi ve veri kümesine hiperparametrelere adapte olur.
  • [FONT=0)Transformer tabanlı modeller: [Dönder:[Dönder: 0) Son yıllarda CNN'in büyük karaciğer lezyonlarını veya düzensiz anatomi ile ilgili vakaları kaçırmak için belirli vaatler görmüşlerdir.
  • [FONT=0]Hybrid yaklaşımlar:[Döneticiler CNN'leri ilk segmentasyon için kullanıyor ve sonra rafineri için grafik tabanlı yöntemler veya aktif konsüller uyguluyor. Örneğin, derin bir öğrenme ağı daha sonra düzgün sınırları sağlamak için bir düzey evrime sahip olabilir.

Bu modeller büyük, ayrılmış veri kümeleri gerektirir. LiTS meydan okuma ve kamu havuzunun tıbbi Segmentasyon Decathlon gibi çeşitli çoklu uygulama verileri sağladı. Data augment (rotation, scaling, elastik deformasyonlar, yoğunluk değişimleri) tarayıcılar ve protokollerin genelleştirilmesi için çok önemlidir.

Multi-Phase ve Multi-Modal Fusion

Tek birfaz CT veya MR tarama genellikle karaciğeri çevreleyen dokulardan güvenilir bir şekilde ayırmaya yeterli bir şekilde karşılaştırılabilir. Multi-faz görüntüleme - taramaların birden fazla kontrast geliştirme zamanında elde edilen (kontrast, arter, portal venous, gecikmiş) - CT ve MRG (T1 ağırlıklı, T2 ağırlıked, DWI) doku ayrımcılığını artırabilir.

Gelişmiş füzyon stratejileri bu multi-faygus veya multi-modal hacimleri tek derin öğrenme modeline birden çok giriş kanalı olarak entegre eder. Örneğin, dört kanal (ön-kontrast, arter, portal venous, ve gecikmiş CT aşamaları) her uzaysal yerde en iyileri hangi aşamayı fark eder. CT-MRIfüzyon için, kayıt algoritmaları ilk olarak hacimleri hizaladı ve sonra da benzer şekilde elde edilen modeller ile aynı zamanda, 0,9'u da aynı şekilde optimize etti.

Basit koncatenasyon ötesinde, bazı yöntemler dikkat temelli füzyon kullanır, her modality adapte edilebilir. Örneğin, bir sıkıştırma-ve-excitation blok farklı aşamalardan yeniden tanımlanabilir, gürültüyü bastırırken en bilgilendirici olanları taklit edebilir.

PostProcessing Refinements

Bir sinir ağının en iyi ham segmentasyonu bile küçük delikler, düzensiz sınırlar veya yanlış pozitif bölgeler içerebilir. Post-processing adımları klinik olarak kullanılabilir sonuçlar elde etmek için kritiktir. Common teknikleri şunları içerir:

  • [FONT:0)Conditional Random Fields (CRF): ) Tamamen bağlantılı bir CRF, çift yönlü piksel ilişkileri modelleyerek kenarları korumak için segmentasyonu düzeltebilir. Küçük spekülleri kaldırmak ve uzaysal tutarlılığı uygulamak için olasılık haritalarını geliştirir.
  • [FONT:0]Morphological işlemler:[Dönetici:[Dönetici:0)) Basit operasyonlar, delik açma, açma ve kapatma gibi basit operasyonlar ada ve düzgün konsülleri kaldırabilir.
  • [FONT:0]Bir atlas'a göre:[Dönetici:0) Segmente kayıtlı cilt karaciğere kayıtlısa, sonuç makul bir anatomik şekle karşı kısıtlanabilir. Bu, özellikle de ağ, kaburga veya sıvıya aşırı derecede bir segmentasyon üretir.
  • [FONT:0)Ensemble averating:[Dönetici:[Dönetici:0) Birçok modelden gelen tahminleri (örneğin, farklı mimarlık veya eğitim çalışır) ve voxel-bilite çoğunluk oylaması sağlamlığı artırabilir ve değişkenliği azaltılabilir.

Segmentasyon Performansı Değerlendirme

Gelişmiş segmentasyon tekniklerini doğrulamak için, birkaç metrik standart olarak rapor edilir:

  • [FONT:0]Dice Benzerlik Coaktif (DSC): ) Tahmin edilen ve zemin gerçek segmentasyon arasında örtüşür. Değerler 0.95'in üzerinde karaciğer segmentasyonu için mükemmel kabul edilir.
  • Hausdorff Uzaktan (HD): İki segment arasındaki maksimum yüzey mesafesini sayısal olarak belirtir. Düşük HD (e.g., < 5 mm) iyi sınır hizasını gösterir.
  • [0]Volume Overlap Hata (VOE) ve Relative Volume Fark (RVD):[D: 1) Complement DSC, sistematik aşırı veya en yüksek seviyede ortaya çıkan.
  • [FONT:0)Öyleçme, Recall ve F1: özellikle tüm karaciğere ek olarak tümörler segmenting.

LiTS meydan okuması ve Liver ve Liver Tumor Segmentasyon meydan okuması gibi, standart değerlendirme sağlar. en iyi performans modelleri şimdi DSCs of 0.96-0.98 on CT datasets and 0.93-0.96, sadece beş yıl önce yöntemler üzerinde dramatik bir gelişmeyi temsil eder.

Klinik İş Akışları Üzerine Etkisi

Klinik yazılımlara gelişmiş otomatik segmentasyon entegrasyonu, somut faydalara sahiptir:

  • [FONT=0]Redük analiz süresi:[Dönetici:[Dönetici: 0) Manual karaciğer segmentasyonu, bu ila saniyeler arasını azaltabilir, radyologların çizimleri yerine yorum yapmaya odaklanmasına izin verir.
  • [FONT:0)Gelişmiş tutarlılık:[Dönetici:0) Otomatik segmentasyon, operatöre bakılmaksızın aynı girişten aynı sonucu sağlayarak, aynı sonuca varılabilir. Bu, uzun süreli yanıt veya karaciğer hacim değişikliklerini izlemek için çok önemlidir.
  • [FONT:0) Küçük lezyonların tespiti: Doğru karaciğer segmentasyonu normal parenchyma dışlamak için kullanılan bir maske sunar, bilgisayar destekli küçük metastazların tespiti daha hassas ve ekstraolatif yapılardan yanlış pozitifleri azaltır.
  • [FONT:0)Better preoperatif planlama:[DDDDDDDDDDDD][B][D D D D FONT=0)D FONT=FONT=0)))))D'S FONT=0))))))))))))))))))))))))))))))))))))))))Dör karaciğer nakli, yüksek çözünürlükte 3D görselleme ve planlı reksiyon düzlemlerinin optimizasyonu, cerrahi sonuçları geliştirmektedir.
  • [FONT=0) Klinik denemeler için temelleme: [Dönetici:0) Yağlık karaciğer hastalığı veya karaciğer fibrozsı için farmasasyon, otomatik segmentasyon görüntüleme biyomarkers (örneğin MR elastography'den karaciğer yağ keserek) çeşitli merkezlerde standart ölçümleme sağlar.

Birkaç ticari çözüm (örneğin, Siemens Syngo.Via, GE AW Server, InstaRecon ve üçüncü taraf, Perspectum ve MEDIAN Technologies gibi şirketlerden gelen teklifleri) şimdi en az sürtünme ve temel karaciğer segmentasyonu ile birlikte işlemektedir. ancak, birçok radyologlar hala araştırma amaçlı açık kaynak veya yerleşik algoritmaları kullanmaktadır.

Future Yol Tarifi

Dikkatli ilerlemeye rağmen, birkaç sınır açık kalır:

  • [FONT:0) Gerçek zamanlı segmentasyon: [DDÜDÜSTRİYE] Büyük modellerden müdahale işlemleri için, düşük güç donanımında çalıştırılan doğrulama ile ilgili olarak incelenebilir.
  • [FONT:0) Cerrahi navigasyon ile ilgili olarak: Ameliyat öncesi ultrason veya CT görüntüleri ile preoperatif karaciğer segmentasyonun Fusion of preoperatif ultrason veya CT görüntüleri, cerrahlar için artırılmış gerçeklik sağlar. Bu, organ değişimi için hızlı bir şekilde silinebilir kayıt gerektirir.
  • [FONT:0] Çeşitli popülasyonlar için kapsamlı bir öğrenme: Çok sayıda kurumdan geniş, çeşitli veri setlerini toplamak, gizlilik kaygılarından dolayı zorlanır. Federated learning, ham verilere transfer olmadan ortak bir model geliştirmeyi sağlar.
  • [[Dönetici:0)Robustness to domain değişimi:) Bir tarayıcı satıcısından veya protokolden alınan modeller genellikle başka bir alana uygulanan ve öz denetimli normalleştirme gibi tekniklerden ayrılır.
  • [FONT=0)Açıklanabilirlik ve belirsizlik:[Dönetici:[Dönetici:0) Klinik ortamlarda radyologların segmentasyona güvenmeleri gerekir. Belirsizlik haritaları (örneğin, Monte Carlo damlaout veya ensemble variance) haritaları vurgulayabilir, hızlı bir şekilde manuel olarak incelenebilir AI yöntemleri hangi görüntü özelliklerini en çok etkileyen segmentasyon sınırının hangi görüntü özelliklerini gösterebilir.
  • [0] Tüm karaciğeri beyondun:) Tüm karaciğer segmentasyon şimdi son derece doğru, sub-segment segmentasyon (Couinaud segmentleri) ve eş zamanlı tümör segmentasyonu artık çok daha zorlu. Birçok araştırma grubu, ortak segmente, lezyonlara ve damar bölgelerine yoğunlaşıyor.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Gelişmiş görüntü işleme, özellikle çok fazlı ve multi-modal veriler füzyon ile derin öğrenme, bir iş yoğun el işinden hızlı, yenidenrodite ve son derece otomatik bir süreç için analiz. Araştırma gerçek zamanlı olarak 0,6'dan fazla performans gösterir ve çeşitli hasta popülasyonları ve görüntüleme protokollerine dönüşür. Klinik etki derindir: daha hızlı iş akışları, cerrahi için sayısal analizler ve cerrahi için sayısal analizler, onkoloji ve nakil planlama. Araştırma gerçek zamanlı olarak devam eder.

Daha fazla okuma için aşağıdaki kaynakları düşünün:

  • [FONT:0]nnUNet: Derin öğrenme tabanlı biyomedikal görüntü segmentasyon için kendini yapılandıran bir yöntem (Isensee et al., Nature Methods, 2021)).
  • [FONT=0)Liver Tumor Segmentasyon (LiTS) Challenge - mevcut datasets).
  • [0]RSNA Yapay Zeka Komitesi - AI'daki kaynaklar Radyoloji[Dönemli: 1)
  • [0] CT ve MRG'de karaciğer segmentasyonu için derin bir öğrenme incelemesi (Zhou et al., 2021)).