Derin öğrenme altında tıbbi görüntü analizi (1)
Leifeng.com'un notu: Bu makale Tupu Technology tarafından "Derin Öğrenme ile Tıbbi Görüntü Analizi" nden derlenmiştir ve yalnızca Leifeng.com'da yayınlanmıştır.
Son yıllarda, derin öğrenme teknolojisi her zaman bilimsel araştırmanın ön saflarında yer almıştır. Derin öğrenme ile görüntüleri ve videoları analiz etmeye ve bunları sürücüsüz arabalar, insansız hava araçları vb. Gibi çeşitli cihazlara uygulamaya başladık.
Sanatsal Tarzın Sinirsel Algoritması, yeni yayınlanan bir araştırma makalesi olup, bize bir stil ve mizacın bir sanatçıdan bir görüntüye nasıl aktarılacağını ve böylece yeni bir görüntünün nasıl yaratılacağını anlatıyor. Generative Adversarial Networks ve Wasserstein GAN gibi bazı diğer makaleler de girdi verilerine benzer yeni veriler oluşturabilen modellerin geliştirilmesinin yolunu açtı. Sonuç olarak, "yarı denetimli öğrenme" dünyasının kapısı açıldı ve gelecekte "denetimsiz öğrenmenin" gelişimi de daha yumuşak olacak.
Bu araştırmaların amacı artık genel görüntülerle sınırlı olsa da, amacımız bu çalışmaları tıbbi bakımın gelişmesine yardımcı olmak için tıbbi görüntülere uygulamaktır. Bu yazıda, görüntü işleme ve tıbbi görüntü formatı verileriyle başlayacağım ve bazı tıbbi verileri görselleştireceğim. Bir sonraki makalede, bazı evrişimli sinir ağlarını daha fazla analiz edeceğim ve bunları akciğer kanserini tahmin etmek için Keras ile birleştireceğim.
Temel görüntü işleme için Python kullanın
OpenCV (açık kaynak bilgisayar görüntü kitaplığı), geniş topluluk desteği ve C ++, Java ve Python ile uyumluluğu ile, göz kamaştırıcı görüntü işleme kitaplıkları dizisi arasında öne çıkıyor ve görüntü işleme kitaplıklarının ana akımı haline geldi.
Şimdi, Jupyter not defterinizi açın ve cv2'nin not defterine aktarılabildiğinden emin olun. Ayrıntıları not defterinde görüntülemek için numpy ve matplotlib'e de ihtiyacınız var.
Şimdi, resmi açıp açamayacağınızı ve aşağıdaki kodu kullanarak not defterinizdeki resmi görüntüleyip görüntüleyemeyeceğinizi görelim.
Temel yüz tanıma
Sonra, ilginç bir şey oynayacağız - yüz algılama. Yüz algılama için açık kaynaklı bir ön yüz dedektörü kullanacağız Bu dedektör orijinal olarak Rainer Lienhart tarafından oluşturulmuştur. Aşağıdaki gönderi, kademeli tespitin ayrıntılarını ayrıntılı olarak gösterir:
Aşağıdaki belgelerde görüntü işleme için OpenCV kullanmanın birçok örneği vardır ( belgesini görüntülemek için bağlantıya tıklayın), okuyucuların istedikleri zaman görüntüleyebilecekleri. Temel görüntü işlemeyi anladıktan sonra, şimdi "tıbbi görüntü formatını" anlamaya başlayacağız.
Tıbbi görüntü veri formatı
"Dijital Görüntüleme ve İletişim" (DICOM) gibi tıbbi görüntü, tıbbi görüntü verilerini depolamak ve değiştirmek için standart bir çözümdür. Standart, 1985 yılında ilk baskının yayınlanmasından bu yana birkaç kez revize edilmiştir. Standart, bir dosya formatı ve bir iletişim protokolü kullanır.
-
dosya formatı Hastaların tüm tıbbi görüntüleri DICOM dosya formatında kaydedilir. Bu format, hastanın adı, cinsiyeti, yaşı ve bazı tıbbi görüntü verileri gibi hastanın korunan sağlık bilgilerini kaydeder. "Tıbbi Görüntüleme Ekipmanı" DICOM dosyalarını oluşturdu. Doktorlar, tıbbi görüntüleri görüntülemek ve görüntü bilgilerine dayalı olarak tanı koymak için DICOM görüntülerini görüntüleyebilen DICOM okuyucuları ve bilgisayar yazılımı uygulamaları kullanır.
-
Protokol DICOM iletişim protokolü, arşivlerde görüntü araştırması aramak ve görüntü araştırmasını geri yüklemek ve görüntülemek için kullanılır. Hastane ağına bağlı tüm tıbbi görüntüleme uygulamaları bilgi alışverişi yapmak için DICOM protokolünü kullanır Bu bilgilerin çoğu DICOM görüntüleridir, ancak bazı hasta bilgileri ve tedavi planlarını da içerir. Cerrahiyi kontrol etmek ve izlemek, ameliyatı planlamak, durumu bildirmek ve iş yükünü doktorlar ile görüntüleme ekipmanı arasında paylaşmak için bazı ağ gereksinimleri de vardır.
Aşağıdaki blog, DICOM standardını ayrıntılı olarak tanıtmaktadır:
DICOM görüntülerini analiz edin
Pydicom, DICOM görüntülerini analiz etmek için oldukça iyi bir Python araç setidir. Bu bölümde, DICOM görüntülerinin Jupyter not defterlerinde nasıl işlendiğini göreceğiz.
OpenCV'yi indirmek ve kurmak için pydicom'u kurmak için pip kullanın
Pydicom araç setini kurduktan sonra Jupyter not defterine geri dönün. Aşağıdaki resimde bulunan dicom araç setini ve diğer araç setlerini not defterine aktarın.
Verileri işlerken ve analiz ederken, pandalar, scipy, skimage ve mpl_toolkit gibi diğer araç setlerini de kullanacağız.
İnternette birçok ücretsiz DICOM veritabanı vardır. Aşağıdaki veritabanları size yardımcı olabilir:
-
Kaggle yarışması ve veritabanı: Bu benim kişisel favori veritabanım. Akciğer kanseri ve diyabetik retinopati ile ilgili veriler var.
-
Dicom veritabanı: DICOM veritabanı, temel olarak öğretim ve araştırma amaçlı olan ücretsiz bir çevrimiçi tıbbi DICOM görüntü veya video paylaşım sunucusudur.
-
Osirix veritabanı: Bu veritabanı bize çeşitli görüntüleme yöntemleriyle elde edilen büyük miktarda insan verisi sağlar.
-
Görsel insan veri seti: "Görünür Kişiler Projesi" nin bazı bölümleri bu veri setinde dağıtılır, ancak bu veri setindeki veriler ücretlendirilir.
-
Zubal Phantom: Bu web sitesi, iki erkeğin çoklu CT ve MRI görüntü veri tabanlarını sağlar.
Dicom dosyasını indirin ve jupyter not defterinize yükleyin.
Şimdi, DICOM görüntüsünü bir listeye yükleyin.
Adım 1: DICOM görüntülerini Jupyter not defterinde görüntüleyin
İlk satırda, ilk DICOM dosyasını yüklüyoruz ve ardından dosya adı listede ilk olan meta verileri çıkartıyoruz.
Ardından, 3DNumpy dizisinin, dilimdeki piksel satırlarının x sayısına, dilimdeki piksellerin x sütunlarının sayısına ve x, y ve z eksenlerine eşit olan toplam boyutunu hesaplamamız gerekir. Son olarak, üç eksendeki pikseller arasındaki uzamsal mesafeyi hesaplamak için "piksel alanı" ve "SliceThickness" kullanmamız gerekir. Dizi boyutlarını ConstPixelDims'e kaydetmemiz ve alanı ConstPixelSpacing'de kaydetmemiz gerekiyor.
CT tarama ölçüm birimi, radyoaktivite yoğunluğunu ölçen "Husfield Birimi" dir (HU). Doğru ölçüm sonuçları elde etmek için CT tarayıcısı sıkı kalibrasyona tabi tutulmuştur. Aşağıda CT taraması ölçümüyle ilgili ayrıntılar verilmiştir:
Her piksele, karşılık gelen vokseldeki tüm zayıflatma değerlerinin ortalaması olan bir değer (CT numarası) atanır. Bu sayı, suyun zayıflatma değeri ile karşılaştırılır ve keyfi bir birim ölçeğinde gösterilir Bu rastgele birim, Bay Godfrey Hounsfield'ın adını taşıyan "Husfield Birimi" (HU) olarak adlandırılır.
Bu rastgele birimin ölçeği, su zayıflatma değerini sıfıra ayarlar. Bazı modern tarayıcılar 4000'e kadar HU aralığına sahip olmasına rağmen, CT numaralarının aralığı 2000 HU'dur. Her değer, spektrumun her iki ucunda +1000 beyaz ve -1000 siyah olmak üzere bir gri tonunu temsil eder.
Husfield ölçeği ("CT'ye Giriş" ten resim)
Bazı tarayıcıların sütun tarama sınırları vardır, ancak çıktı görüntüleri gerçekten karedir. Tarama sınırı dışındaki piksellere sabit bir -2000 değeri atanacaktır.
CT tarayıcı görüntüsü ("CT'ye Giriş" ten resim)
İlk adım genellikle bu değerleri sıfıra ayarlamaktır. Daha sonra, elde edilen değeri yeniden ayarlanmış eğimle çarpıyoruz, kesişme noktasını ekliyoruz (genellikle taranan meta verilerde kaydedildi) ve HU birimine geri dönüyoruz.
Sonraki bölümde, Kaggle'ın akciğer kanseri veri tabanını ve Keras'ın evrişimli sinir ağını kullanacağız. Bir sonraki bölümün içeriğini bu makalede verilen bilgilere dayanarak oluşturacağız.
