JoHof/lungmask

해결하는 문제

환자에게 종양, 체액 축적(삼출액), 또는 심한 흉터(섬유증)와 같은 심각한 상태가 있는 경우 폐 CT 스캔을 읽는 것이 더 어렵습니다. 표준 도구는 이러한 경우 폐를 깨끗하게 윤곽을 그리지 못하는 경우가 많습니다. 이 프로젝트는 밀집된 병변이 있는 경우에도 CT 이미지에서 폐를 자동으로 분할(윤곽)하는 훈련된 U-net 모델을 제공합니다. 또한 폐를 좌우 또는 개별 폐엽으로 분리하는 모델을 제공하며, 결과를 융합하여 강점을 결합할 수 있습니다.

작동 방식

이 패키지에는 네 가지 사전 훈련된 U-net 모델이 포함되어 있습니다.

• U-net(R231) – 기본 모델. 개별 CT 슬라이스에서 작동하며, 오른쪽 및 왼쪽 폐를 별도로 추출하고 공기 주머니, 종양, 삼출액을 포함합니다. 기관은 포함하지 않습니다. 다양한 데이터 세트에서 훈련되었습니다.
• U-net(LTRCLobes) – LTRC 데이터 세트의 하위 집합에서 훈련. 폐를 다섯 개의 폐엽으로 분리하지만, 밀집된 병변이 있거나 폐엽 사이의 균열이 모든 슬라이스에서 보이지 않으면 성능이 저하됩니다.
• U-net(LTRCLobes_R231) – R231 및 LTRCLobes 모델을 모두 실행하고 결과를 융합합니다. LTRCLobes의 위음성은 R231 예측으로 채워지고 인접한 폐엽 레이블에 매핑됩니다. 위양성은 제거됩니다. 이 융합은 계산량이 많아 볼륨당 몇 분이 걸릴 수 있습니다.
• U-net(R231CovidWeb) – R231의 변형으로, 일반 이미지 형식에서 Hounsfield 단위(HU)로 다시 매핑된 COVID-19 CT 슬라이스에 추가로 훈련되었습니다. 잘린, 주석이 달린 또는 압축된 웹 이미지에 유용합니다.

모든 모델은 이미지 분할을 위한 신경망 유형인 훈련된 U-net입니다. 이 패키지는 명령줄 도구 또는 Python 모듈로 실행할 수 있습니다. 이미지 I/O에는 SimpleITK를 사용합니다(버전 0.2.9부터는 numpy 배열 직접 사용). GPU 지원은 처리 속도를 크게 향상시킵니다(몇 분에서 몇 초로).

대상 사용자

• 폐 CT 데이터를 다루는 연구자와 임상의, 특히 심각한 병변이나 COVID-19 사례를 다루는 경우.
• Python 파이프라인 또는 CLI 도구에서 자동 폐 분할이 필요한 개발자.
• CT 볼륨에서 좌/우 폐 또는 개별 폐엽을 구분하려는 모든 사람.

주요 특징

• 다양한 요구에 맞춘 네 가지 즉시 사용 가능한 모델(기본, 폐엽, 융합, COVID 조정).
• 다른 방법을 혼란스럽게 하는 밀집된 병변을 처리합니다.
• pip 또는 conda를 통한 간단한 설치와 쉬운 Python API(LMInferer).
• DICOM 디렉토리를 자동으로 처리하여 가장 큰 볼륨을 찾을 수 있습니다.
• GPU(빠름) 및 CPU(느림) 추론을 모두 지원합니다.
• 폐엽 및 전체 폐 분할을 결합하는 모델 융합 옵션을 포함합니다.