3D görüntü segmentasyonuna yeni yaklaşım, ‘çene bırakan’ gösteri sunar

0
22

Şekil 1. Temporomandibular eklemin konumu. Temporal kemik ve mandibula (alt çene) sırasıyla mavi ve yeşil renkle gösterilmiştir. Kredi bilgileri: Oleg Rogov/Skoltech

Profesör Dylov liderliğindeki Skoltech araştırmacıları ve Rusya, St. Petersburg’daki First Pavlov Devlet Tıp Üniversitesi’nden meslektaşları, karmaşık bir yapıdaki bileşenlerin dış hatlarını belirleyerek 3D görüntü segmentasyonu görevine yepyeni bir yaklaşım geliştirdiler. Negatif hacim bölütleme tekniği olarak adlandırılan teknikler, inşaat ve mühendislik dahil olmak üzere çok çeşitli alanlarda uygulama potansiyeline sahip olsa da, bilim adamları, çözümün esasını göstermek için kelimenin tam anlamıyla en ağızları açık bırakan nesneyi aradılar. Çalışma Nature Scientific Reports’ta yayınlandı.

PI Dmitry Dylov, “Bu araştırma, tıbbi teşhis, makine mühendisliği ve başka yerlerde yaygın olarak karşılaşılan sıkıcı 3D görüntü segmentasyonu sorununa alternatif bir bakış sunuyor.” Dedi. “Şu fikirle başladık: Bir 3B nesnenin kesin hatlarını aramak yerine, parçaları içindeki boşlukları dolduran havayı bölümlere ayırırsak ne olur? Bu boşluklar, geleneksel olarak aranan açıklama etiketlerinin mutlak tamamlayıcılarıdır. Bu yaklaşımı test etmek için, bulabileceğimiz en karmaşık 3B nesneyi hazırladık.”

Temporomandibular eklem veya TMJ, alt çenenin iki dikey çıkıntısının kafatasının temporal kemiklerindeki yuvalara oturduğu, başın her iki yanında kulakların önünde bulunur (şekil 1). Eklem kemikleri arasında yastık görevi gören yumuşak bir kıkırdak disk vardır. TMJ, menteşe benzeri ve kayma hareketlerini de birleştiren bir çift eklem olduğundan, 3D olarak haritalanması son derece zor olan oldukça karmaşık bir sistemdir.

Bir hastanın TME’sinin CT taramalarını anlamak için deneyimli doktorlar, eklemin 3 boyutlu bir modelini oluşturmak için özel yazılımlar kullanarak saatler harcarlar. Bu, ilgili iki kemiğin her birinin kesin hatlarını belirlemek için görüntüleri bölümlere ayırmanın sıkıcı sürecini içerir.

3D görüntü segmentasyonuna yeni yaklaşım, 'çene bırakan' gösteri sunar

Şekil 2. Çalışmanın yazarları tarafından önerilen otomatik prosedürün temelini oluşturan negatif hacim yaklaşımı kullanılarak temporomandibular eklemin manuel olarak not edilmesindeki adımlar. Bu manuel açıklama yaklaşık bir saat sürer ve ilgili hacmin her dilimi için mandibula ve temporal kemiğin karmaşık yapıları etrafında üç görünümde (sagital, koronal ve eksenel) maskeler çizmeyi gerektirir, sonuçta ortaya çıkan 3D rekonstrüksiyona izin verene kadar elle yerleştirilmiş bir küreden negatif hacim “top”. Kredi: Kristina Belikova ve diğerleri/Scientific Reports

Eklemin uygun şekilde bölümlere ayrılmış bir 3D modeli mevcut olduğunda, hastanın diş hekimi, yüz cerrahı veya başka bir doktor onlara TME ile ilgili sorunları tedavi etme yolları konusunda tavsiyelerde bulunabilir. Bunlar eklem erozyonu, diş sıkma, artrit, travma veya doğuştan gelen çene deformitelerinden kaynaklanabilir ve eklemde ve boyunda olduğu kadar eklemde ağrıya neden olabileceği gibi, TME hareketliliğinin azalması nedeniyle yeme ve konuşma güçlüğüne de neden olabilir. TME sağlığının bir kişinin yürüyüşünü ve psikolojik iyiliğini etkileyebileceği bile öne sürülmüştür. Bu eklemdeki bozukluklar tedavi edilebilir olma eğiliminde olsa da, özellikle segmentasyon karmaşıklığı nedeniyle teşhis edilmesi güçtür.

Yaklaşımı bulan Skoltech grubu, negatif hacim segmentasyonunun kapasitelerini göstermek yoluyla, TME’nin CT taramalarını segmentlere ayırma gibi sıkıcı bir görevi tamamen otomatikleştirmeyi başardı. Makine öğrenimi ile güçlendirilen yeni çözümün, aksi takdirde deneyimli bir doktorun yorumlaması en az bir saat sürecek görüntüleri işlemesi yalnızca dört saniye sürdü; bu görüntüler, çene, kulak ve yüz ağrısı gibi karakteristik sorunları olan hastalarda kullanılmadan önce kullanıldı. , çiğneme ve ağzı açmada zorluk.

“Pavlov Üniversitesi’nden meslektaşlarımız, TME taramalarını manuel olarak 3B olarak segmentlere ayırmak için bir protokol buldular – bu, eskiden 2B olarak yapılıyordu ve bu şekilde daha da fazla zaman alıyordu. Protokollerini geliştiriyoruz ve negatif hacim segmentasyonu olarak adlandırdığımız yeni bir yaklaşım sunuyoruz. hem insan için [fig. 2] ve makine açıklaması. Odağı, eklemin şekillendirilmesi zor kemiklerini bölümlere ayırmaktan aradaki boşlukları bölümlere ayırmaya kaydırır. Bu nedenle adı: negatif hacim segmentasyonu”, çalışmanın ortak ilk yazarı ve Skoltech’te bir araştırma bilimcisi ve baş geliştirici olan Oleg Rogov’u yorumladı.

Skoltech araştırmacıları, Pavlov Üniversitesi işbirlikçileri tarafından sağlanan 50 hastanın yaklaşık 5.000 CT görüntüsünü kullanarak, TME’leri 3D olarak segmentlere ayırmak için bir sinir ağı eğittiler, o kadar iyi ki makine, önemli ölçüde daha hızlı olmasının yanı sıra kalite açısından da insan uzmanlarından daha iyi performans gösteriyor. Bu, onu zamandan tasarruf sağlayan ve personel eğitimine ve pahalı 3D görselleştirme yazılımına yatırım yapma ihtiyacını ortadan kaldıran harika bir teşhis aracı yapar.

Nöral ağ, temporal kemiği ve mandibulayı bulur ve TMJ’nin BT kesitlerine dayalı olarak aralarındaki 3B hacmi yeniden oluşturmaya devam eder (şekil 3). Bunu başarmak için, eklem boşluğundaki tüm kullanılabilir alanı kaplayana kadar mandibulanın hacmini kademeli olarak şişirir.

3D görüntü segmentasyonuna yeni yaklaşım, 'çene bırakan' gösteri sunar

Şekil 3. Temporomandibular eklem negatif hacmi sarı (manuel açıklamalı) ve yeşil (makine tarafından oluşturulmuş) olarak gösterilen, gri renkte gösterilen temporal kemiğin işlenmiş bölgeleri. Görünümler: (a) eksenel, alttan; (b) aynı, eğik; (c) yanal; (d) yukarıdan. Kredi: Kristina Belikova ve diğerleri/Scientific Reports

Ekip tarafından yapılan patent başvurusuna göre, yeni model, TME’lerin tıbbi analizinin çok ötesinde bağlamlardaki kusurların teşhisi için uygulanabilir. Diz gibi diğer eklemlerle ve hatta makine mühendisliğindeki yapay yapılarla, örneğin bir motordaki pistonlar ve silindirlerle çalışır.

Biyomedikal görüntülerde gördüklerinizi anlamlandırma Daha fazla bilgi: Kristina Belikova ve diğerleri, Derin negatif hacim segmentasyonu, Scientific Reports (2021). DOI: 10.1038/s41598-021-95526-1 Skolkovo Bilim ve Teknoloji Enstitüsü tarafından sağlanmıştır

Alıntı: 3D görüntü segmentasyonuna yönelik yeni yaklaşım, 1 Ekim 2021’de https://medicalxpress.com/news/2021-09-approach-3d-image-segmentation-jaw- adresinden alınan ‘çene bırakan’ gösteri (2021, 30 Eylül) sunar. drop.html

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı verilmiştir.

CEVAP VER

Lütfen yorumunuzu giriniz!
Lütfen isminizi buraya giriniz