Университетская клиника Базеля представляет TotalSegmentator модель глубокого обучения, способную автоматически сегментировать основные анатомические структуры на изображениях компьютерной томографии тела.
Университетская клиника Базеля представляет модель глубокого обучения TotalSegmentator, способную автоматически сегментировать основные анатомические структуры на изображениях компьютерной томографии тела.
За последние несколько лет количество проводимых КТ-сканов и доступная емкость обработки данных значительно выросли. Благодаря разработкам в области глубинного обучения, способности алгоритмов анализа изображений значительно улучшились. В результате улучшения хранения данных, скорости обработки и качества алгоритмов, использовались более крупные выборки в радиологических исследованиях. Сегментация анатомических структур имеет решающее значение для многих из этих исследований. Радиологическая сегментация изображений может использоваться для выделения продвинутых биомаркеров, автоматического обнаружения патологии и количественной оценки опухолевой нагрузки. Сегментация уже используется в обычном клиническом анализе в целях, например, хирургического вмешательства и планирования лучевой терапии.
Существуют отдельные модели для сегментации отдельных органов (таких как поджелудочная железа, селезенка, толстая кишка или легкие) на КТ-изображениях, а также проводились исследования по объединению данных из нескольких анатомических структур в одну модель. Однако все предыдущие модели содержат только небольшой набор основных анатомических структур и обучены на малых наборах данных, не представляющих рутинного клинического исследования. Отсутствие доступа к многим моделям сегментации и наборам данных серьезно ограничивает их полезность для исследователей. Доступ к общедоступным наборам данных часто требует длительной бумажной работы или требует использования провайдеров данных, с которыми неудобно работать или ограничено использование.
Исследователи из Клиники радиологии и ядерной медицины Университетской больницы Базеля использовали около 1204 набора данных КТ, чтобы создать метод сегментации 104 анатомических структур. Они получили набор данных с помощью КТ-сканеров, настроек сканирования и фаз контрастности. Их модель, TotalSegmentator, может сегментировать большинство важных анатомических структур организма с минимальным участием пользователя, и она делает это надежно в любой клинической среде. Высокая точность (коэффициент Dice 0,943) и надежность на различных клинических наборах данных делают этот инструмент превосходным перед другими, доступными бесплатно в Интернете. Команда также использовала огромный набор данных из более чем 4000 КТ-исследований для изучения и отчета о возрастных изменениях в объеме и ослаблении различных органов.
- 6 проблем LLM, которые LangChain пытается оценить
- «Предсказание Touchdown’ов в футболе с использованием машинного обучения»
- Внутри Охотников за Призраками Новый метод Берклийского университета для обнаружения ИИ-созданных контентов
Исследователи сделали свою модель доступной в виде предварительно обученного пакета на языке Python, чтобы каждый мог использовать ее. Они подчеркивают, что, поскольку их модель использует менее 12 ГБ ОЗУ и для ее работы не требуется графический процессор, ее можно запустить на любом стандартном компьютере. Их набор данных также легко доступен, не требуя особых разрешений или запросов для его загрузки. Текущее исследование использовало модель на основе nnU-Net, потому что она была признана надежной для различных задач. Теперь она считается золотым стандартом для сегментации медицинских изображений, превосходящим большинство других подходов. Настройка гиперпараметров и исследование различных моделей, таких как трансформаторы, улучшают производительность стандартного nnU-Net.
Как указано в их статье, предложенная модель имеет различные возможные применения. В дополнение к ее очевидным хирургическим применениям быстрая и удобная сегментация органов позволяет индивидуальную дозиметрию, как продемонстрировано для печени и почек. Кроме того, автоматическая сегментация может улучшить исследования, предоставляя врачам нормальные или даже возрастные параметры (HU, объем и т. Д.). В сочетании с моделью обнаружения опухоли, их модель может быть использована для приближенной оценки опухолевой нагрузки для данной части тела. Кроме того, модель может служить основой для разработки моделей, предназначенных для выявления различных заболеваний.
Модель была скачана более 4 500 исследователями для использования в различных контекстах. Только недавно анализирование наборов данных такого размера стало возможным, и это потребовало много времени и усилий со стороны ученых-данных. Эта работа продемонстрировала связь между возрастом в 12 лет и объемом множества сегментированных органов с использованием набора данных из более чем 4 000 человек проведших КТ-политравматического исследования. Классические литературные данные о нормальных размерах органов и возрастной рост органов обычно основаны на выборках из нескольких сотен человек.
Команда подчеркивает, что в исследовательских наборах данных перевес мужских пациентов, что может быть связано с тем, что в больницы посещают в среднем больше мужчин, чем женщин. Тем не менее, команда считает, что их модель может стать отправной точкой для более обширных исследований популяций в радиологии. Они упоминают, что будущие исследования будут включать в свой набор данных и модель больше анатомических структур. Кроме того, они набирают дополнительных пациентов, корректируют потенциальные факторы, вводят дополнительные корреляционные анализы для проведения более всестороннего исследования старения.
