首页 > 其他分享 >使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割

时间:2024-09-03 17:26:20浏览次数:11  
标签:医学影像 分割 Monai 模型 全脑 gyrus 左侧 右侧 3D


使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_人工智能


文章目录

  • 导读
  • Monai Bundle 和 Model Zoo简单介绍
  • 基于monai bundle的MRI全脑分割
  • 模型简介
  • 模型描述
  • 模型训练细节
  • 训练数据
  • 注意事项
  • 电脑配置
  • 完整的133个脑结构列表
  • 在3D slicer使用全脑结构分割模型
  • 完整的133个脑结构列表


导读

本系列涵盖从 3D Slicer 医学图像查看器的基础使用到高级自动分割扩展程序的内容(从入门到高阶!),具体包括软件安装、基础使用教程,自动分割扩展(totalsegmentator, monai label)快速标注数据。

在本系列第三部分中,我们在工作站上安装了 MONAILabel 服务端和 MONAILabel 3D Slicer 客户端。在第四部分内容中,我们从一个简单的腹部CT脾脏分割案例开始,介绍了monai label使用的一些基础用法。在第五部分中,使用radiology app进行全脊柱的分割,并且详细介绍了radiology app所有用法。

本节重点:在这一节中,我们将尝试使用monai bundle 和model zoo里面的分割模型来分割其他结构。

该系列之前的内容如下:
【添加链接】

如果你没看过系列之前的内容,以下是monai label一个简单的介绍

[ MONAI Label 是一个服务器-客户端系统,它利用 AI 促进交互式医学图像注释。它是一个开源且易于安装的生态系统,可以在具有单个或多个 GPU 的机器上本地运行。服务器和客户端都在同一台/不同的机器上工作。它与MONAI共享相同的原理。

MONAI Label 减少了注释新数据集的时间和精力,并通过不断从用户交互和数据中学习,使 AI 能够适应手头的任务。MONAI Label 允许研究人员和开发人员以用户的方式与他们的应用程序交互,从而不断改进他们的应用程序。最终用户(临床医生、技术人员和一般注释者)受益于 AI 的不断学习,并更好地理解最终用户试图注释的内容。]

Monai Bundle 和 Model Zoo简单介绍

MONAI Model Zoo 提供了一系列由社区开发的医学影像模型,采用 Monai Bundle 格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。

Model Zoo提供的模型包括MRI脑肿瘤分割,CT肺结节检测,病理细胞核分割分类,CT胰腺分割,MRI前列腺分割,CT肾脏分割,CT脾脏分割,MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

MONAI Bundle 是一种基于规范和文件结构的方式,用于分发经过训练的 MONAI 模型以及相关元数据、代码、文档和其他资源。这些旨在让您更轻松地以某种格式分发模型,该格式说明了模型的用途、如何使用它、如何重现您用它完成的科学研究,并将其用于 Label 和 Deploy 等其他应用程序。详细的使用教程可以去monai bundle github

接下来我们将用很多案例来演示monai bunlde在3D slicer中的用法

基于monai bundle的MRI全脑分割

模型简介

  • 名称:Wholebrainseg large unest segmentation
  • 概述:基于3D transformer的全脑分割模型,适用于T1W MRI图像
  • 作者:范德堡大学 + MONAI团队
  • 参考文献:Xin 等人. 使用3D块聚合变换器表征肾脏结构. arXiv 预印本 arXiv:2203.02430 (2022). https://arxiv.org/pdf/2203.02430.pdf
  • 版本:0.2.3

模型描述

详细的全脑分割是一种重要的定量技术,在医学影像分析中提供了一种非侵入性的方法来测量临床获取的结构性磁共振成像(MRI)中的脑部区域。我们提供了一个预训练模型,用于训练和推理具有133个结构的全脑分割。提供的训练管道支持在 MONAI Label 中的主动学习和使用 bundle 进行训练

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_数据挖掘_02

模型训练细节

一个预训练的 UNEST base model,用于 T1w MR 图像的体积(3D)全脑分割。为了利用嵌入序列中的信息,提出了“shifted window” transformers,用于密集预测和建模多尺度特征。然而,这些旨在复杂化 self-attention 范围的尝试往往会导致高计算复杂度和数据低效。受 nested ViT 中的 aggregation function 启发,我们提出了一种新的设计,即具有 Nested Transformers (UNesT) 的 3D U-shape 医学分割模型,通过 3D block aggregation function 层次化地学习小结构或小数据集的 locality behaviors。该设计保留了原始的 global self-attention mechanism,并通过层次化堆叠 transformer encoders 实现跨 patches 的信息通信。

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_分类_03

训练数据

训练数据来自范德堡大学和范德堡大学医疗中心,并使用了公开发布的 OASIS 和 CANDI 数据集。训练和测试数据是来自三个不同站点的 MRI T1w图像。

任务涉及 133 类全脑分割。在 OASIS 数据集中,50 个 T1w MRI 扫描中,45 个用于训练,5 个用于验证。测试队列包括 Colin27 T1w 扫描和 CANDI 数据集的 13 个 T1w MRI 扫描。所有数据均注册到 MNI 空间,并按特定方法进行预处理,输入图像随机裁剪至 96 × 96 × 96 尺寸。

注意事项

请将你的数据配准到相同空间,训练用的脑部 MRI 图像通过 NiftyReg 工具进行仿射配准,以将目标图像注册到 MNI305 模板。在推理前,数据应处于 MNI305 空间。如果图像已经在 MNI 空间,则可以跳过配准步骤。可以使用任何配准工具将图像注册到 MNI 空间,以下是一个使用 ANTs 的示例建议。

pip install antspyx

#Sample ANTS registration

import ants
import sys
import os

fixed_image = ants.image_read('<fixed_image_path>')
moving_image = ants.image_read('<moving_image_path>')
transform = ants.registration(fixed_image,moving_image,'Affine')

reg3t = ants.apply_transforms(fixed_image,moving_image,transform['fwdtransforms'][0])
ants.image_write(reg3t,output_image_path)

电脑配置

The training and inference was performed with at least one 24GB-memory GPU.

完整的133个脑结构列表

由于列表较长,我放在文末了

在3D slicer使用全脑结构分割模型

  • step1: 激活环境
conda activate monailabel
  • step2: 下载monaibundle app
monailabel apps --name monaibundle --download --output apps

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_数据挖掘_04


可以前往图片上地址查看下载了什么

  • step3: 下载实验数据

我直接在3D slicer 里面下载的示例数据,保存在了datasets/mrihead文件夹。

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_人工智能_05

其他的T1w 数据也可以,最好是配准到了标准空间,和训练数据一致,准确度会更高。

  • step4: 启动服务端

服务端启动,使用的模型为:wholeBrainSeg_Large_UNEST_segmentation,注意大小写

monailabel start_server --app apps/monaibundle --studies datasets/mrihead --conf models wholeBrainSeg_Large_UNEST_segmentation

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_人工智能_06


如图,第一次启动的时候会去下载预训练模型。

  • step5: 打开3D slicer,连接服务端

第四步启动好后,打开3D slicer,点击monailabel模块,点击绿色刷新符号就可以连接上服务端了。我们从下图可以看到使用的app和model。点击next sample加载数据,再点击run就可以自动分割了。

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_分类_07

我在mac上分割花了20分钟左右,建议在GPU上运行可以加速。由于我的数据和训练数据差异太大,分割效果一般

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_ci_08


不过,对于脖子部分,可以在segment editor模块中,拿把剪刀剪了。

事实证明,这个预训练模型的泛化性能不是很好
。不过有这个需求的同学可以试试。

其余的保存步骤,训练过程等操作可以查看之前的脾脏分割教程,有详细的介绍。

Tina姐:monai bundle也可以命令行调用,本次只演示了在 3D Slicer中的应用

完整的133个脑结构列表

编号

英文描述

中文翻译

0

background

背景

1

3rd-Ventricle

第三脑室

2

4th-Ventricle

第四脑室

3

Right-Accumbens-Area

右侧伏隔核区

4

Left-Accumbens-Area

左侧伏隔核区

5

Right-Amygdala

右侧杏仁核

6

Left-Amygdala

左侧杏仁核

7

Brain-Stem

脑干

8

Right-Caudate

右侧尾状核

9

Left-Caudate

左侧尾状核

10

Right-Cerebellum-Exterior

右侧小脑皮层

11

Left-Cerebellum-Exterior

左侧小脑皮层

12

Right-Cerebellum-White-Matter

右侧小脑白质

13

Left-Cerebellum-White-Matter

左侧小脑白质

14

Right-Cerebral-White-Matter

右侧大脑白质

15

Left-Cerebral-White-Matter

左侧大脑白质

16

Right-Hippocampus

右侧海马

17

Left-Hippocampus

左侧海马

18

Right-Inf-Lat-Vent

右侧下外侧脑室

19

Left-Inf-Lat-Vent

左侧下外侧脑室

20

Right-Lateral-Ventricle

右侧侧脑室

21

Left-Lateral-Ventricle

左侧侧脑室

22

Right-Pallidum

右侧苍白球

23

Left-Pallidum

左侧苍白球

24

Right-Putamen

右侧壳核

25

Left-Putamen

左侧壳核

26

Right-Thalamus-Proper

右侧丘脑

27

Left-Thalamus-Proper

左侧丘脑

28

Right-Ventral-DC

右侧腹侧DC

29

Left-Ventral-DC

左侧腹侧DC

30

Cerebellar-Vermal-Lobules-I-V

小脑蚓部叶I-V

31

Cerebellar-Vermal-Lobules-VI-VII

小脑蚓部叶VI-VII

32

Cerebellar-Vermal-Lobules-VIII-X

小脑蚓部叶VIII-X

33

Left-Basal-Forebrain

左侧基底前脑

34

Right-Basal-Forebrain

右侧基底前脑

35

Right-ACgG–anterior-cingulate-gyrus

右侧前扣带回

36

Left-ACgG–anterior-cingulate-gyrus

左侧前扣带回

37

Right-AIns–anterior-insula

右侧前岛叶

38

Left-AIns–anterior-insula

左侧前岛叶

39

Right-AOrG–anterior-orbital-gyrus

右侧前眶回

40

Left-AOrG–anterior-orbital-gyrus

左侧前眶回

41

Right-AnG—angular-gyrus

右侧角回

42

Left-AnG—angular-gyrus

左侧角回

43

Right-Calc–calcarine-cortex

右侧距状皮质

44

Left-Calc–calcarine-cortex

左侧距状皮质

45

Right-CO----central-operculum

右侧中央盖

46

Left-CO----central-operculum

左侧中央盖

47

Right-Cun—cuneus

右侧楔叶

48

Left-Cun—cuneus

左侧楔叶

49

Right-Ent—entorhinal-area

右侧内嗅区

50

Left-Ent—entorhinal-area

左侧内嗅区

51

Right-FO----frontal-operculum

右侧额盖

52

Left-FO----frontal-operculum

左侧额盖

53

Right-FRP—frontal-pole

右侧额极

54

Left-FRP—frontal-pole

左侧额极

55

Right-FuG—fusiform-gyrus

右侧颞下回

56

Left-FuG—fusiform-gyrus

左侧颞下回

57

Right-GRe—gyrus-rectus

右侧直回

58

Left-GRe—gyrus-rectus

左侧直回

59

Right-IOG—inferior-occipital-gyrus

右侧下枕回

60

Left-IOG—inferior-occipital-gyrus

左侧下枕回

61

Right-ITG—inferior-temporal-gyrus

右侧下颞回

62

Left-ITG—inferior-temporal-gyrus

左侧下颞回

63

Right-LiG—lingual-gyrus

右侧舌回

64

Left-LiG—lingual-gyrus

左侧舌回

65

Right-LOrG–lateral-orbital-gyrus

右侧外侧眶回

66

Left-LOrG–lateral-orbital-gyrus

左侧外侧眶回

67

Right-MCgG–middle-cingulate-gyrus

右侧中扣带回

68

Left-MCgG–middle-cingulate-gyrus

左侧中扣带回

69

Right-MFC—medial-frontal-cortex

右侧内侧额叶皮层

70

Left-MFC—medial-frontal-cortex

左侧内侧额叶皮层

71

Right-MFG—middle-frontal-gyrus

右侧中额回

72

Left-MFG—middle-frontal-gyrus

左侧中额回

73

Right-MOG—middle-occipital-gyrus

右侧中枕回

74

Left-MOG—middle-occipital-gyrus

左侧中枕回

75

Right-MOrG–medial-orbital-gyrus

右侧内侧眶回

76

Left-MOrG–medial-orbital-gyrus

左侧内侧眶回

77

Right-MPoG–postcentral-gyrus

右侧后中央回

78

Left-MPoG–postcentral-gyrus

左侧后中央回

79

Right-MPrG–precentral-gyrus

右侧前中央回

80

Left-MPrG–precentral-gyrus

左侧前中央回

81

Right-MSFG–superior-frontal-gyrus

右侧上额回

82

Left-MSFG–superior-frontal-gyrus

左侧上额回

83

Right-MTG—middle-temporal-gyrus

右侧中颞回

84

Left-MTG—middle-temporal-gyrus

左侧中颞回

85

Right-OCP—occipital-pole

右侧枕极

86

Left-OCP—occipital-pole

左侧枕极

87

Right-OFuG–occipital-fusiform-gyrus

右侧枕颞回

88

Left-OFuG–occipital-fusiform-gyrus

左侧枕颞回

89

Right-OpIFG-opercular-part-of-the-IFG

右侧岛状前额叶盖部

90

Left-OpIFG-opercular-part-of-the-IFG

左侧岛状前额叶盖部

91

Right-OrIFG-orbital-part-of-the-IFG

右侧岛状前额叶眶部

92

Left-OrIFG-orbital-part-of-the-IFG

左侧岛状前额叶眶部

93

Right-PCgG–posterior-cingulate-gyrus

右侧后扣带回

94

Left-PCgG–posterior-cingulate-gyrus

左侧后扣带回

95

Right-PCu—precuneus

右侧前楔叶

96

Left-PCu—precuneus

左侧前楔叶

97

Right-PHG—parahippocampal-gyrus

右侧海马旁回

98

Left-PHG—parahippocampal-gyrus

左侧海马旁回

99

Right-PIns–posterior-insula

右侧后岛叶

100

Left-PIns–posterior-insula

左侧后岛叶

101

Right-PO----parietal-operculum

右侧顶盖

102

Left-PO----parietal-operculum

左侧顶盖

103

Right-PoG—postcentral-gyrus

右侧后中央回

104

Left-PoG—postcentral-gyrus

左侧后中央回

105

Right-POrG–posterior-orbital-gyrus

右侧后眶回

106

Left-POrG–posterior-orbital-gyrus

左侧后眶回

107

Right-PP----planum-polare

右侧极平面

108

Left-PP----planum-polare

左侧极平面

109

Right-PrG—precentral-gyrus

右侧前中央回

110

Left-PrG—precentral-gyrus

左侧前中央回

111

Right-PT----planum-temporale

右侧颞平面

112

Left-PT----planum-temporale

左侧颞平面

113

Right-SCA—subcallosal-area

右侧次眶区

114

Left-SCA—subcallosal-area

左侧次眶区

115

Right-SFG—superior-frontal-gyrus

右侧上额回

116

Left-SFG—superior-frontal-gyrus

左侧上额回

117

Right-SMC—supplementary-motor-cortex

右侧辅助运动皮层

118

Left-SMC—supplementary-motor-cortex

左侧辅助运动皮层

119

Right-SMG—supramarginal-gyrus

右侧缘上回

120

Left-SMG—supramarginal-gyrus

左侧缘上回

121

Right-SOG—superior-occipital-gyrus

右侧上枕回

122

Left-SOG—superior-occipital-gyrus

左侧上枕回

123

Right-SPL—superior-parietal-lobule

右侧上顶叶

124

Left-SPL—superior-parietal-lobule

左侧上顶叶

125

Right-STG—superior-temporal-gyrus

右侧上颞回

126

Left-STG—superior-temporal-gyrus

左侧上颞回

127

Right-TMP—temporal-pole

右侧颞极

128

Left-TMP—temporal-pole

左侧颞极

129

Right-TrIFG-triangular-part-of-the-IFG

右侧三角前额叶

130

Left-TrIFG-triangular-part-of-the-IFG

左侧三角前额叶

131

Right-TTG—transverse-temporal-gyrus

右侧横颞回

132

Left-TTG—transverse-temporal-gyrus

左侧横颞回

可以关注微公【医学图像人工智能实战营】

我是Tina, 我们下篇博客见~

白天工作晚上写文,呕心沥血

觉得写的不错的话最后,求点赞,评论,收藏。或者一键三连

使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割_分类_09


标签:医学影像,分割,Monai,模型,全脑,gyrus,左侧,右侧,3D
From: https://blog.51cto.com/u_16159492/11909371

相关文章

  • C#医学影像管理系统源码,PACS系统源码带三维重建,实现检查预约、病人信息登记、计算机阅
    C#医学影像管理系统源码医学影像存储与传输系统源码PACS系统源码带三维重建PACS影像存取与传输系统以实现医学影像数字化存储、诊断为核心任务,从医学影像设备(如CT、CR、DR、MR、DSA、RF等)获取影像,集中存储、综合管理医学影像及病人相关信息,建立数字化工作流程。PACS系统可......
  • 【2】Kaggle 医学影像数据读取
    赛题名称:RSNA2024LumbarSpineDegenerativeClassification中文:腰椎退行性病变分类kaggle官网赛题链接:https://www.kaggle.com/competitions/rsna-2024-lumbar-spine-degenerative-classification/overview文章安排①、如何用python读取dcm/dicom文件②、基于matplotlib......
  • 基于CAT的VBM和SBM计算学习笔记(二)感兴趣区(ROI)&全脑体积(TIV)
    前言 回顾一下上文:之前学习了用CAT计算VBM灰质体积的预处理过程,主要分为三步:Preprocessing:从使用DPABI生成T1图像再校准T1原点。Segement:CAT软件自带的自动化分割。Smooth:最后用Spm进行平滑操作。基于CAT的VBM和SBM计算学习笔记(一)VBMhttps://mp.csdn.net/mp_blog/creat......
  • 基于聚类分析的医学图像分割算法研究在医学领域,图像分割是医学影像诊断中的关键步骤,其
    基于聚类分析的医学图像分割算法研究在医学领域,图像分割是医学影像诊断中的关键步骤,其目的在于从复杂的图像背景中准确提取出病灶区域,为医生提供更为精确的病变信息。近年来,随着计算机技术的飞速发展,基于聚类分析的医学图像分割算法逐渐受到了广泛关注。聚类分析是一种无监督......
  • 基于Kaggle学习MONAI(三)2D-Segmentation例程代码详解1
    1简介         MONAI网站提供了2D分类/分割、3D分类/分割等例程代码如下图所示,通过学习例程代码,初学者能够尽快掌握MONAI框架,但是由于开源框架软件版本更新较快、各模块功能难以协调等原因,这些例程往往无法在Kaggle平台直接运行。本文对MONAI官网第二个例程,即2D分割......
  • PACS医学影像系统源码,支持Worklist服务,三维影像后处理和分析功能
    PACS/RIS医学影像存储和传输系统,实现从预约、登记、分诊、排队叫号、检查、诊断阅片、报告发布、自助胶片打印等流程化管理。PACS系统应用在医院影像科时,它直接与CT、MR、ECT、DSA和DR等提供DICOM标准图像的医学设备进行软硬对接。该系统应用在超声、内窥镜、病理等科室时,提供视频......
  • 全面解析MONAI Transforms的用法 视频+教程+代码
    MONAI提供了一系列的数据预处理操作,称之为transform。transform的目的是将原始数据转化为模型能够接受的格式,同时也可以进行一些数据增强操作,以提高模型的鲁棒性和泛化能力。MONAI中的transform分为两类:vanillatransform和dicttransform。在视频中都会详细介绍MONAI简介MONAI是......
  • 医学影像的图像标注技术:如何实现自动化的图像标注与分析
    1.背景介绍医学影像是一种重要的诊断工具,用于揭示患者的内部结构和功能。医学影像分析通常需要专业医学影像诊断师对图像进行手工标注和分析,这是一个耗时且容易出错的过程。因此,自动化的图像标注和分析技术在医学影像领域具有重要意义。图像标注是一种计算机视觉任务,旨在将图像中的......
  • 人工智能大模型原理与应用实战:大规模模型在医学影像分析中的应用
    1.背景介绍人工智能(AI)和机器学习(ML)技术在过去的几年里取得了显著的进展,尤其是在深度学习(DeepLearning)方面。深度学习是一种通过神经网络模拟人类大脑的学习过程来自动学习表示和预测的机器学习方法。随着计算能力的提高,深度学习模型的规模也逐渐增大,这些大规模模型在许多应用领域......
  • 深度学习与医学影像:诊断辅助与预测分析
    1.背景介绍医学影像是指在医学诊断和治疗过程中采集的图像数据,包括计算机断层扫描(CT)、磁共振成像(MRI)、超声成像(US)、位相成像(PET)、胸片、眼球成像等。随着医学影像技术的不断发展和进步,医学影像数据的规模日益庞大,涌现出了大量的高质量的图像数据。这些数据具有丰富的特征信息,对于深......