Towards the automated segmentation of epicardial and mediastinal fats: A multi-manufacturer approach using intersubject registration and random forest
Dieser Artikel stellt eine vollständig automatisierte, herstellerübergreifende Methode vor, die eine intersubjektive Registrierung und Random-Forest-Klassifikation zur Segmentierung von epikardialem und mediastinalem Fett in Koronarkalzium-Scoring-CT-Bildern nutzt und dabei eine hohe Genauigkeit von 98,4 % sowie einen Dice-Ähnlichkeitsindex von 96,8 % erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Ihr Herz ist nicht nur eine Pumpe, sondern ein Haus, das von zwei verschiedenen Arten von „Landschaften" umgeben ist. Innerhalb des Zauns des Hauses (des Perikards) befindet sich eine Fettart, die als epikardiales Fett bezeichnet wird. Außerhalb dieses Zauns, aber immer noch innerhalb der Nachbarschaft (des Mediastinums), befindet sich eine andere Art, die als mediastinales Fett bezeichnet wird.
Ärzte wissen, dass die Menge dieser spezifischen Fette ein wichtiger Hinweis auf die Herzgesundheit ist, oft aussagekräftiger als die Menge an Fett, die eine Person am restlichen Körper hat. Das Messen dieser Fette ist jedoch wie der Versuch, die Sandkörner an einem Strand zu zählen, während der Wind weht; es ist chaotisch, und wenn zwei verschiedene Personen das Zählen durchführen, erhalten sie oft unterschiedliche Ergebnisse.
Diese Arbeit stellt ein neues, vollständig automatisiertes Computerprogramm vor, das als hochpräziser „Sandzähler" für diese Herzfette unter Verwendung von CT-Scans (3D-Röntgenbilder) konzipiert wurde.
So funktioniert ihr „Roboter-Assistent", aufgeteilt in einfache Schritte:
1. Der „Gruppenfoto"-Trick (Registrierung)
Stellen Sie sich vor, Sie haben einen Stapel Fotos von den Herzen verschiedener Personen. Das Problem ist, dass das Herz auf einigen Fotos nach links geneigt ist; auf anderen ist es nach rechts verschoben oder herangezoomt. Wenn Sie versuchen, sie direkt zu vergleichen, ist es ein Chaos.
Der erste Schritt der Autoren besteht darin, alle in eine Reihe zu bringen. Sie erstellten eine „Standardvorlage" (ein Atlas), indem sie ein bestimmtes Landmark – den Bereich hinter dem Brustbein (retrosternaler Bereich) – von 10 verschiedenen Personen entnahmen und diese zu einem durchschnittlichen Bild verschmolzen.
Dann betrachtet der Computer den Scan eines neuen Patienten und versucht, dasselbe Landmark zu finden. Um sicherzustellen, dass es nicht durch einen seltsamen Winkel verwirrt wird, verwendet es eine clevere „heuristische" Prüfung: Es zieht zwei imaginäre Linien von der Mitte dieses Landmarks nach außen. Wenn diese Linien Fett in einem bestimmten, logischen Muster treffen, weiß der Computer: „Okay, ich habe den richtigen Ort gefunden!" Anschließend verschiebt und skaliert er das gesamte Bild so, dass das Herz exakt in derselben Position sitzt wie bei allen anderen. Dies ist wie das Nehmen einer Gruppe von Menschen, die in einem chaotischen Kreis stehen, und sie alle sanft dazu zu bewegen, in einer perfekten, geraden Linie in Richtung Kamera zu stehen.
2. Der „Pixel-Detektiv" (Klassifizierung)
Sobald die Herzen in einer Reihe stehen, muss der Computer entscheiden: „Ist dieses spezifische Pixel von Fett innerhalb des Zauns (epikardial) oder außerhalb des Zauns (mediastinal)?"
Anstatt nur zu betrachten, wie hell oder dunkel ein Pixel ist (was schwierig sein kann), agiert der Computer wie ein Detektiv, der Hinweise sammelt. Für jedes einzelne Pixel betrachtet er:
- Seine Helligkeit.
- Seine genaue Position.
- Die „Textur" seiner Nachbarn (ist das Fett glatt oder uneben?).
Er führt all diese Hinweise in einen Random-Forest-Algorithmus ein. Stellen Sie sich einen Random Forest als einen Rat von 100 verschiedenen Experten vor. Jeder Experte betrachtet die Hinweise und stimmt ab: „Das ist epikardiales Fett!" oder „Das ist mediastinales Fett!" Der Computer führt eine Abstimmung durch, und die Mehrheit gewinnt. Diese Methode ist sehr gut darin, Fehler zu vermeiden, da sie sich nicht auf nur eine Regel verlässt.
3. Die Ergebnisse: Wie gut war es?
Die Autoren testeten dieses System an 82 verschiedenen Patienten (unter Verwendung von Scans von zwei verschiedenen Geräteherstellern, Siemens und Philips, um sicherzustellen, dass es allgemein funktioniert).
- Erfolgsrate: Der Computer fand 100 % der Zeit den richtigen Ort, um seine Analyse zu beginnen.
- Genauigkeit: Wenn es darum ging, das Fett tatsächlich einzufärben, lag er etwa 98,4 % der Zeit richtig.
- Übereinstimmung: Wenn man die Zeichnung des Computers mit einer Zeichnung verglich, die von menschlichen Experten erstellt wurde, stimmten sie 96,8 % der Zeit überein (ein Score, der als Dice-Index bekannt ist).
Der Haken
Die Arbeit ist sehr ehrlich bezüglich eines Nachteils: Geschwindigkeit. Während der Computer unglaublich genau ist, ist er derzeit langsam. Auf einem normalen Heimcomputer dauert die Verarbeitung des vollständigen Scans eines Patienten mehrere Stunden. Die Autoren schlagen vor, dass sie den Roboter viel schneller machen könnten, wenn sie herausfinden könnten, welche Hinweise am wichtigsten sind und den Rest ignorieren.
Zusammenfassend: Die Arbeit stellt eine Computermethode vor, die Herzscans automatisch ausrichtet und einen „Abstimmungsrat" von Algorithmen verwendet, um zwei Arten von Herzfett perfekt zu trennen. Sie ist hochpräzise und erfordert keine menschliche Hilfe zum Start, dauert aber derzeit lange, um die Arbeit abzuschließen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.