1. Preprocesare și segmentare 3D

Arhivă: Lung Cancer CT

Acest toolkit are rolul de a realiza automat filtrarea secțiunilor sănătoase 2D și 3D și segmentarea tumorilor de plămân de diferite dimensiuni din imagini CT (în format RAS - dreapta, anterior, posterior )/PT/NPY . Sistemul are la bază un model cascadat care stabilește dacă o secțiune 2D este sănătoasă, sau împarte un CT 3D în secțiuni 2D și le filtrează. În cazul 2D, secțiunile identificate drept tumorale sunt segmentate automat prin mai multe metode și este oferită utilizatorului masca obținută de ansamblu. În cazul 3D, se aplică algoritmi 2D secțiune cu secțiune și algoritmi 3D al căror rezultat este condiționat cu zerouri în zona considerată sănătoasă de algoritmii 2D.

CT-urile sunt preprocesate printr-o serie de operațiune de netezire și simplificare a distribuției valorilor:

• Pe baza analizei exploratorii detaliate în [1], folosind datele de antrenare din setul Medical Segmentation Decathlon (MSD) a fost stabilită o fereastră 2D ce încadrează tumorile pulmonare mai exact decât întreg spațiul de 512x512 pixeli ai unei imagini CT (Fig. 1)
  

  Fig. 1. Decatlon Medical - proiectia în 2D a tumorilor

• Informațiile exterioare acestei ferestre sunt eliminate (Fig. 2)
  

  Fig. 2. Filtrarea unei secțiuni CT pe baza ferestrei 2D

• Pentru a crește generalitatea pacienților la antrenare, rotații de 15° au fost aplicate pe axa y în antrenarea modelului 3D (Fig. 3)





Fig. 3. Augmentarea datelor prin rotație de ±15° pe axa y

• Au fost aplicate mai multe scheme de normalizare (Min-Max, Z-score, CLAHE). Dintre acestea, Min-Max a fost determinată empiric drept cea mai robustă la antrenare

2. Exemple de rezultate

2.1 Zona abdominală

Modelele 3D ce primesc ca intrare volume CT holistice, ce depășesc regiunea toracal pulmonară fac confuzii în ceea ce privește existența tumorilor. Din cauza structurilor anatomice complexe, bogate semantic în variații de contrast și luminozitate, rețelele prezic des tumoră în regiuni mari.

Fig. 4. Predicție rețea 3D holistică (A) și 2.5D pe secțiuni mai mici(B)

2.2 Zona pulmonară cu tumori

Fig. 5. Pierderea din acuratețea segmentării tumorii în momentul reducerii Fals Pozitivelor

Principala problemă observată în modelarea 2.5 și 3D a fost echilibrarea între generarea de Fals Pozitive asupra structurilor sănătoase cu mult contrast, și diminuarea acestui efect care reduce performanța în zona pulmonară cu tumori.

2.2 Segmentarea 2D obținută cu ajutorul AI explicabil

3. Segmentare prin clasificare explicabilă

Arhivă: CT xAI

1. Instalare

Opțiunea 1 — pip într-un virtualenv

python -m venv .venv
source .venv/bin/activate # Linux/Mac
# .venv\Scripts\activate # Windows PowerShell
pip install -U pip
pip install -r requirements.txt

Opțiunea 2 — conda

conda create -n lung_project python=3.12 -y
conda activate lung_project
pip install -r requirements.txt

Bibliografie