Peking Union Medical College Hospital'dan Jingjing Lu: Pelvik organ segmentasyonu ve modelleme girişimleri ve zorlukları ISICDM 2018
Yakın zamanda, 2. Uluslararası Görüntü Hesaplama ve Dijital Tıp Sempozyumu (ISICDM 2018) Chengdu'da başarıyla sona erdi.
Konferansa, Çin Elektronik Bilim ve Teknoloji Üniversitesi Bilgi ve İletişim Mühendisliği Okulu ev sahipliğinde Uluslararası Dijital Tıp Derneği ev sahipliği yaptı ve Üçüncü Askeri Tıp Üniversitesi, Shenzhen İleri Teknoloji Enstitüsü, Çin Bilimler Akademisi ve Matematiksel Görüntü Birliği tarafından ortaklaşa düzenlendi.
Çin Anatomi Derneği'nin başkanı, Uluslararası Dijital Tıp Derneği'nin başkanı, Çin Tabipleri Birliği Dijital Tıp Şubesi'nin başkanı ve Üçüncü Askeri Tıp Üniversitesi'nden Profesör Zhang Shaoxiang (tümgeneral) bu konferansın onursal başkanlığını yaptı.Konferans başkanı Dimitris N. Rutgers Üniversitesi idi. Guangdong Eyaleti Halk Hastanesi Radyoloji Bölümü Direktörü ve Radyoloji Bölümü Direktörü Profesör Metaxas, Liang Changhong ve Güney Tıp Üniversitesi'nden Profesör Fang Chihua görev yaptı.
ISICDM konferansının başlatıcısı ve program başkanı olarak Çin Elektronik Bilim ve Teknoloji Üniversitesi'nden Profesör Li Chunming, forum formatının, gündeminin ve rapor konularının tasarımından ve uzmanların davet edilmesinden sorumludur.
Konferansın ikinci gününde "Klinik İhtiyaçlar ve Zorlukları Konuşan Doktorlar" özel oturumunda, Profesör Li Chunming, Profesör Li Chunming tarafından "Pelvik Organ Segmentasyonu ve Modelleme Girişimleri ve Zorlukları" başlıklı harika bir özel raporu katılımcılarla paylaşmak üzere davet edildi.
Profesör Lu Jingjing ve Profesör Li Chunming, Konferans Programı Başkanı
Profesör Lu Jingjing, Peking Union Tıp Fakültesi'nden mezun olduktan sonra Pekin Union Tıp Koleji Hastanesi Radyoloji Bölümü'nde çalıştı. Asistan, genel asistan, doktor ve başhekim yardımcısı olarak görev yaptı.Mayıs 2010'dan Mayıs 2011'e kadar başhekim ve yüksek lisans öğretmenidir. Harvard Tıp Fakültesi Massachusetts Genel Hastanesi'nde misafir araştırmacı.
Aşağıdakiler, Profesör Lu Jingjingin konuşmasının içeriğidir. Leifeng.comun AI Nuggetsına asıl amacı değiştirmeden düzenleme yapma yetkisi verilmiştir:
Profesör Lu Jingjing ilk olarak erkeklerin ve kadınların pelvik yapısını tanıttı.İnsan vücudunun karmaşık pelvik yapısının büyük değişkenliğe sahip olduğuna ve aynı zamanda sürekli değişen klinik problemleri de beraberinde getirdiğine inanıyor.Klinik tanı ve tedavi planlarını uyarlamak önemlidir. .
Pelvik boşluk için, hastanelerdeki mevcut ana görüntüleme muayeneleri esas olarak ultrason, BT ve MRG'yi içerir ve bunların arasında ultrason en yaygın olanıdır. Ultrason departmanının ultrason muayenesi çok rahat ve yaygın olmasına rağmen verdiği raporlar operatörden operatöre değişiklik gösterir ve yeterince sezgisel değildir. Buna karşılık, radyoloji bölümünün CT ve MRI görüntüleri çok sezgiseldir.Örneğin CT, doku yoğunluğuna göre görüntü verecektir. Kemikler beyazdır ve düşük yoğunluklu su, idrar ve yağ siyahtır, ancak Rahim gibi pelvik yumuşak dokular için BT yoğunluğu çok yakın ve ekran net değil.Manyetik rezonans bu sorunu iyi çözebilir.Yukarıdaki resimde parlak yumurtalık kisti ve üç katmanlı yapı gibi birçok organ ve dokuyu görebilir. Rahim, bu özellik MRG'nin pelvik muayenede uygulanabilirliğini belirler.
Nükleer manyetik rezonans ilkesi çok karmaşıktır, ancak basitçe birkaç cümle ile açıklanabilir: manyetik rezonans iyonlaştırıcı radyasyondan zarar görmez ve iyi bir incelemedir. Verdiği radyo frekansı darbesi çok uzun dalga boyuna sahip elektromanyetik bir dalgadır.İnsan vücudunun dokularından geçtikten sonra, proton enerji seviyesinde yeni bir duruma geçecektir.Üç boyutlu gradyan alanının dönüştürülmesinden sonra sinyal göndererek alıcı bobin tarafından alınır. Dijital bir görüntü oluşturmak için Fourier dönüşümü, analogdan dijitale dönüşüm vb. Dahil olmak üzere bir bilgisayar tarafından bir dönüşüm gerçekleştirilir.
Genellikle klinikte topladığımız klasik görüntü yönelimleri yatay eksen, sagital ve koronaldir. En yaygın olarak kullanılan yatay eksen görüntüsüdür.
Manyetik rezonans alanında anlaşılması gereken bir diğer kavram ise T1 ağırlıklı görüntü ve T2 ağırlıklı görüntüdür. Sözde T1 ve T2 ağırlıklı görüntüler, basitçe, protonun uyarıldıktan sonra uzunlamasına bir gevşeme ve enine gevşeme üreteceği ve dokunun farklı özelliklerinin, iki gevşeme özelliğinin ağırlıklandırılmasıyla elde edildiği şeklindedir. Örneğin, T1 ağırlıklı görüntüdeki idrar "siyah", ancak T2 ağırlıklı görüntüdeki idrar "beyaz". Bilimin yaygınlaşmasını kolaylaştırmak için kısaca "bir yeşil ve iki beyaz" olarak özetlenebilir, yani T1'deki suyun ağırlığı "mavi" ve T2'deki ağırlık "beyaz" gibi görünüyor.
Yukarıdaki resim yatay eksen görüntüsüdür Kemikleri görebiliriz, yumurtalıkları her iki tarafta görebiliriz ve folikülleri görebiliriz En sık kullanılanıdır. Ortadaki görüntü sagital pozisyondadır.Daha önce gördüğümüz anatomik görüntülerde olduğu gibi endometriyum, konjonktif bölge, miyometriyum ve seröz membranı ve rahim ağzını görebiliyoruz.Bu görüntü kadın pelvik boşluğundaki en popüler görüntüdür. . En sezgisel olanıdır, eğer hastada fibroidler ve deformiteler varsa net görebilirler. İkincisi, esas olarak referans olarak kullanılan koronal pozisyondur, yumurtalıkların göreceli pozisyonu bu görüntüde görülebilir.Genel olarak kadın pelvik boşluğu gözlemlenebilir.Yatay eksen görüntüsü ve sagital görüntü esas olarak kullanılır.
Pelvik tarama yapılırken, genellikle bir dizide 20'den fazla dilim görüntü vardır ve her dilim arasındaki aralık 5 mm'dir.Bazen aralarında hacim etkisi olur ve pikseller aynı cinsiyette toplanmadığı için görüntü işleme yapılır. Bazı problemler olacak ama bunları çözmenin yolları var.
Peki radyolog filmi nasıl okur? Görüntü katmanını katman katman gözlemlemektir. Örneğin bu T2 ağırlıklı bir görüntü sekansıdır, mesaneyi görebilirsin, idrar parlaktır, sonra rahmi görebilirsin, sonra her iki yumurtalıkları görebilirsin, sonra rahim ağzını görebilirsin ve rahim ağzı bir sonraki katmana geçmeye devam eder. Aşağı vajina.
Radyologlar önce normal yapıyı anlamalı, önce neyin normal olduğunu bilmeli, sonra anormal bir değişiklik olduğunda lezyonu bulmak çok hassas olacaktır.
Derin öğrenmenin veya yapay zekanın yapabileceği en basit görev, doktorların bu yapıları tanımlamasına yardımcı olmaktır. İnsan vücudunun 639 kası var.İlgili alanlarda uzman değilseniz, genel doktorların hangisinin hangisi olduğunu söylemesi zordur, bu nedenle derin öğrenmeye dayalı pelvik yapının anlamsal segmentasyonunu deneyebilirsiniz.
Profesör Lu Jingjingin ekibi, kas-iskelet yapılarının basit bir şekilde bölümlendirilmesiyle başladı ve bu görevde karşılaşılabilecek zorlukları önceden değerlendirdi: değişken şekiller, farklı yapılardan gelen sinyallerin yüksek benzerliği ve ek açıklama verilerinin olmaması gibi.
Veri etiketleme oturumunda, Profesör Lu Jingjing ilk durumda bir hafta geçirdi.Vakit bulduğunda etikete gidecek ve sonraki hız biraz daha hızlı olacak.Ayrıca ekip üyeleri birlikte etiketleyecek ve 15 etiket yapıldıktan sonra eğitime başlayacak. Algoritma ve ardından yapıyı otomatik olarak bölümlere ayırmaya çalışın.
Verileri eğitirken kullanılan FCN (Full Convolutional Neural Network) algoritması, güçlü veri geliştirme işlevleriyle bile, FCN yapının yalnızca kabaca ana hatlarını tanımlayabilir. Ekip daha sonra karmaşık pelvik yapıların segmentasyonu için bir dikkat piramidi ağı önerdi ve görüntü deformasyonu için yalnızca bir düzine görüntüyü on binlerce görüntüye genişletebilen ve etiketlemeye izin veren bir veri geliştirme stratejisi benimsedi. Örnek daha etkilidir.
Deneysel sonuçlar, APNet'in en verimli olduğunu ve ayrıntıların en iyi kontrolüne sahip olduğunu gösteriyor.Yani, ekip bu algoritmayı geleneksel pelvik görüntüleri girmek için kullanıyor ve kas ve kemik yapılarını otomatik olarak tanımlayabiliyor. Radyologlara çok yardımcı olur.Daha ileri giderseniz ve vücudunuzdaki 639 kasın tümünü tanırsanız, gerçekten topraklanmış Qi uygulaması görünebilir.
Genel olarak, segmentasyon algoritması perspektifinden, farklı zorluklara göre, iyi sonuçlar elde etmek için algoritmayı değiştirmek için farklı stratejiler benimsenir.
Bu, öğrenciler tarafından yapılan otomatik ve manuel bölümlemenin bir görüntüsü ve tabii ki hala çok ön çalışma.
Kas hacmi ölçümü için, manuel ölçümün altın standardına çok yakın olan otomatik bir yöntem de kullanılabilir. Genel olarak, bazı ayrıntılar manuel bölümleme kadar doğru olmasa da, gelecekte daha iyi olabilirler.
Tıbbi beklentiler açısından bakıldığında, kas yapısının otomatik olarak tanınması doktorların verimliliğini artırabilir ve kasın kantitatif ölçümü, sarkopeni gibi bazı kas kaybı hastalıklarını değerlendirmek ve izlemek için kullanılabilir. Yaşlanma bağlamında, yaşlılarda sarkopeninin izlenmesi hastaların yaşam kalitesini artırabilir. Bu aynı zamanda, hastanın daha önce gerçekleştirdiği pelvik MRI veya MRI'yı gitmeye gerek kalmadan dinamik olarak izleyebilir. Ek BT incelemesi veya diğer incelemeler yapmak için özellikle hastanın kas hacminin ölçümü için. Ek olarak, pelvik yapının otomatik segmentasyonu ve modellemesi, pelvik taban disfonksiyonu, pelvik çap ölçümü ve cerrahi planlama için temel bir yapı olarak kullanılabilir.
Profesör Lu Jingjingin ekibi, JMRIda 14 yıl içinde yayınlanan bu makale gibi daha önceki bazı çalışmaları da karşılaştırdı. Makale, bireysel kaslar yerine kas gruplarına odaklanıyor. Su-yağ ayırmanın özel manyetik rezonans tarama teknolojisini kullanıyor. Algoritma Derin olmayan bir öğrenme algoritması olan bir Multi-atlas algoritmasıdır.
2011 yılında MRI dergisinde yayınlanan çalışma, kesitsel bir görüntü oluşturdu, farklı uyluk kaslarını segmentlere ayırmaya çalıştı ve derin öğrenme algoritmalarını kullanmadı, ancak özellik çıkarma algoritmalarını kullandı.
Bu, 2017 yılında Tıp fiziği ile ilgili bir makaledir. Vücutta çok sayıda organın otomatik olarak tanımlanmasını ve segmentasyonunu yapmakta ve üç algoritmanın karşılaştırılmasıyla CNN'nin en yüksek segmentasyon etkinliğine sahip en iyi algoritma olduğu sonucuna varılmıştır. .
Makale, insan organlarını sol akciğer, sağ akciğer, karaciğer ve böbrek vb. Gibi birkaç kategoriye ayırır. Ayrıca bunların uygunluk ve benzerliklerini hesaplar ve algoritmanın öğrenmeye ve öğrenmeye değer görece avantajlarını ve dezavantajlarını özetler.
Ayrıca, bu 2018 makalesi daha gelişmiş bir derin evrişimli sinir ağları algoritması kullanıyor ve aynı zamanda daha pratik bir makaledir.
Femur, femoral kıkırdak, tibia ve patella ve hatta tendonlar ve bağlar gibi birçok yapının bu tanımlamalarını elde etmek için küçük bir numune boyutu kullanır.
Elbette, organ deformasyonunun ve görüntü bozukluklarının üstesinden gelmek gibi başka zorluklar da vardır.Bunlar, deneyim yoluyla bireyler tarafından önceden görülebilir, ancak makine öğrenmeden önce onu eğitmek için daha fazla sayıda örnek görüntüye ihtiyaç duyabilir.
Ayrıca organların üç boyutlu rekonstrüksiyonu da var.
Bu, Profesör Lu Jingjing'in ameliyat öncesi kadın genital sistem malformasyonlarını 3D baskı teknolojisi kullanarak teşhis etmek için kadın hastalıkları ve jinekoloji ekibiyle birlikte çalışan bir vaka raporudur. Model katman katman manuel olarak çizilir ve taslak düzeltildikten sonra 3D baskı teknolojisi birleştirilerek yapılır.
Bu, öğrencilerin birincil işidir.Uterus deformitelerinde, pelvis, uterus vb. Dahil olmak üzere farklı yapıları işaretlemek için farklı renklerin öncü kullanımı sağlanabilir, ancak çok zahmetlidir.
O halde, otomatik bölümleme ve yeniden yapılandırma yapabilir misiniz? Daha sonra ekip, tanımadan sonra basit ve birincil bir 3B yeniden yapılandırma yaptı.
3B rekonstrüksiyonun anlamı nedir? Aslında kadın doğum ve jinekoloji alanındaki doktorlar MR görüntülerini görmek istemiyorlar ve direk ameliyata gitmeyi tercih ediyorlar, üç boyutlu bir model varsa kabulü artacaktır.
Otomatik segmentasyon ve üç boyutlu rekonstrüksiyon, nispeten yüksek deformasyonlu rektum ve mesane görüntüleri için büyük talep görmektedir.
Son büyük talep, çok modlu görüntülerin füzyonu ve üç boyutlu gösterimidir.
Örneğin, bu hastanın MRI görüntüsünde, yumurtalıkların adezyonlarına ve posterior servikal duvar ile anterior rektum arasında adezyonlara yol açan derin endometriozis vardır. Açıkça açıklamak ve laparoskopik cerrahiyi yönlendirmek için çok karmaşık bir dil kullanılabilir. Ancak jinekologlarla MR görüntüleri hakkında konuşursanız, jinekologların kabulü nispeten düşüktür.
Ekip, görüntü tasvirini ve vajina içine püskürtmeyi denedi ve ardından lezyonun konumunu üç boyutlu görüntüde görsel olarak gösterdi.
Ve lezyonlar genellikle sadece rahim ağzında değil, muhtemelen yumurtalıkta olduğu gibi birden fazla yerde bulunur.Üç boyutlu görüntüleme yöntemi kullanılarak, birden fazla lezyon aynı anda farklı pozisyonlarda ve farklı şekillerde görüntülenebilir, bu da daha iyi anlaşılabilir. Doğum ve jinekoloji doktorumuz.
Ayrıca, MRG rahim, serviks ve bağları gösterebilmesine rağmen, uterusun arterlerini ve iskiyal nodülleri görmek zordur, ancak BT net bir şekilde görebilir, bu nedenle ekip bu iki yöntemi birleştirdi ve birbirine başvurabilir. , Ancak mevcut görüntü efektinin daha da iyileştirilmesi gerekiyor.
Gelecekte, hastanın çok-modlu görüntü bilgileri daha karmaşık çok-modlu görüntü füzyonu ve üç boyutlu görüntüleme yoluyla dijitalleştirilebilir.Hastanın tüm bilgileri bunun içinde. Bu, klinik doktorlar ve görüntüleme doktorları için çok sezgisel olabilir. , Bu bilgileri rahatça çıkarmak için.
hepinize teşekkür ederim.
Üç gün süren konferansa konuk doktor olarak katılan Profesör Lu, "Vakalar ve Klinik İhtiyaçlar ve Zorluklar Hakkında Konuşan Doktorlar" özel oturumunda derinlemesine bir rapor verdi ve ayrıca "Medikal-Endüstriyel Değişim Toplantısı" özel oturumunda paylaşım konuğu olarak görev yaptı. Servikal segmentasyon problemlerini ve ekibinin o anda çözmesi gereken CT ve fMRI veri füzyon problemlerini gösterdi. Mekandaki atmosfer çok canlıydı.Birçok mühendis ve uygulayıcı Profesör Lu Jingjing'e çözümlerini anlattı.Hem sağlık çalışanları hem de işçiler çok fayda sağladı.
Profesör Lu Jingjing ve Profesör Li Chunming, görüntü bölütlemeyi tartışıyor
Akşam Profesör Lu Jingjing, finalistlerin tüm görüntü segmentasyon sonuçlarını yorumlayarak "Klinik Veri Analizi Yarışması Finali" nde de jüri üyesi olarak görev yaptı. Finallerin ardından pek çok yarışmacı, Profesör Lu'nun başka yerden öğrenemeyecekleri fikirlerinin değeri hakkında konuştu.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
