עובדים עם דימות רפואי?
Medical Imaging Toolbox של MATLAB כאן עבורכם!
מכירים את זה שיש לכם הרבה תוכנות פתוחות ואתם צריכים לקפוץ מאחת לשנייה כדי לבצע תהליך עבודה מלא מתחילתו ועד סופו? במאמר זה נכיר את הכלי החדש Medical Imaging Toolbox אשר נותן מענה, בין היתר, גם לבעיה הזו.
כשהייתי צריכה לנתח סריקות MRI זה תמיד גרר שימוש בכמה תוכנות בו זמנית, למעשה "תיזוז" בין חלונות שונים רק כדי שאוכל לעבוד.
תוכנה ראשונה משמשת לתצוגה נוחה, כך שאוכל לסקור את החתך המסוים הרצוי ולהסתכל עליו מכל הכיוונים. אז הייתי צריכה לזכור את הפרמטרים שבחרתי, כדי להזין אותם לתוכנה שנייה שבה אוכל להסתכל מנקודת מבט אחרת, ולבסוף לפתוח תוכנה שלישית שמאפשרת לשלוף את המידע שאני צריכה, לנתח את הסריקה ולזהות את הממצא.
המסע המתיש הזה נפוץ בהרבה מקומות והמוצר החדש של MathWorks יכול לעזור לפתור את המצב הזה.
Medical Imaging Toolbox יצא בגרסה האחרונה R2022b, וניתן לבצע בו תהליך מלא, מקצה לקצה, שנותן מענה לכל השלבים.
אילו יכולות הכלי מעניק לנו?
בשלב הראשון נייבא את הנתונים שלנו. הכלי תומך בפורמטים מיוחדים של קבצים המאחסנים נתוני דימות ותמונות רפואיות וכן מטא-נתונים המתארים את המטופל, הליך ההדמיה ונק' הייחוס המרחבית שלו. הודות לכך, ניתן להמיר את התמונה למערכת הקואורדינטות של המטופל, המוגדרת ביחס לצירים האנטומיים של המטופל, דבר העוזר לנתח את הנתונים יותר בקלות.
הפונקציות השימושיות MedicalVolume ו-MedicalImage עוזרות לנו לנתח באופן אוטומטי מטא-נתונים כדי לייבא ולאחסן נתוני תמונה ומידע מרחבי מקבצי DICOM, NIfTI ו-ו NRRD.
בשלב השני נוכל ליהנות מהיכולת להמחיש נתוני תמונה רפואית דו-ממדית ותלת-ממדית, ולהציג באופן אינטראקטיבי תמונות רפואיות באפליקציית Medical Image Labeler, המכוונת אוטומטית את התמונות בכיוון הקדמי/אחורי, שמאלה/ימינה, ותחתון/עליון.
ניתן גם להשתמש בעוצמת האות כדי לקבל נפח, כלומר תמונה תלת-מימדית. בנוסף, אפשר להציג את התגית (label) ולסמן את האיזור על גבי שכבת הנפח של התמונה, או לסווג את התגיות לפי גווני האפור של התמונה.
כלומר, אפשר לראות את הנתונים שייבאנו במגוון סגנונות, ואף להעשיר אותם באמצעות שכבת מידע נוספת ע"י הוספת התגיות.
כעת משיש לנו כל מה שאנחנו צריכים, נתחיל לעבד את המידע שלנו.
בשלב השלישי נתחיל מביצוע רגיסטרציה לנתונים שלנו. בהדמיות רפואיות, לרוב נצטרך להשוות סריקות של מספר מטופלים או סריקות של אותו מטופל שצולמו בפגישות שונות בתנאים שונים. שלב זה הוא למעשה עיבוד מקדים על מנת ליישר את התמונות הרפואיות למערכת קואורדינטות משותפת לפני שנוכל ננתח אותן.
בשלב הרביעי הזה נתחיל לעבד את המידע בכמה דרכים.
נוכל להסיר רעשים, לנרמל את ערכי העוצמה של התמונה, לשנות את גודל ה-voxel ועוד פעולות רבות, כתלות בדרישות האלגוריתם.
בשלב החמישי נבצע סגמנטציה – תהליך של חלוקת תמונה לאזורים. סגמנטציה סמנטית משייך כל פיקסל או voxel בתמונה לתגית מסוימת המתארת את המשמעות של אזור תמונה, כגון עצם, גידול או רקע. ניתן לבצע סגמנטציה סמנטית של תמונה רפואית בשיטות של למידה עמוקה, באמצעות אפליקציית Medical Image Labeler האינטראקטיבית, או עם אלגוריתמים קלאסיים לעיבוד תמונה.
(תהליכי עבודה של למידה עמוקה דורשים Deep Learning Toolbox ו-Computer Vision Toolbox)
בשלב השישי נשתמש באפליקציית Medical Image Labeler כדי לתייג באופן אינטראקטיבי בתמונות רפואיות דו-ממדיות ותלת-ממדיות. ניתן להגדיר פיקסלים כדי לתייג פיקסלים של תמונה לסגמנטציה באמצעות כלי תיוג ידניים אוטומטיים. כדי להפוך את תהליך התיוג לאוטומטי, יש להשתמש באלגוריתם אוטומציה מובנה או להפנות לאלגוריתם מותאם-אישית.
בשלב האחרון נוכל לאמן מחדש רשת קיימת ולהיעזר בנתונים שיש לנו בכדי לבצע סגמנטציה סמנטית אשר מתייג כל פיקסל לקטגוריה ספציפית.
אם נסכם, נראה שהצלחנו לבצע את כל הפעולות הבאות בסביבה אחת המותאמת לעולם המכשור הרפואי:
חשוב להבין שבעולם הרפואי, סוגי הנתונים, אופן העיבוד הספציפי שלהם, ואף התיוג והאימון הם ייחודים ובעלי מאפיינים מאוד ברורים, אשר אינם מותאמים לתהליכים דומים בעולמות תוכן אחרים.
Medical Imaging Toolbox הוא כלי אשר פותח במטרה להעניק פתרון מלא ולהקל על העבודה היומיומית שלנו בתחום זה. הוא מלווה אותנו שלב אחר שלב בתהליך קלאסי של עיבוד תמונה בתחום הרפואי, וכן מציע לאורך הדרך אלגוריתמים המותאמים ספציפית לתחום, וכך יכולים להעניק במקרים רבים תוצאה טובה יותר משיטות עיבוד גנריות.
צריך להתחיל לנסות כדי להרגיש את ההבדל!
לפירוט ודוגמאות – בקרו בעמוד המוצר
ואל תהססו לדבר איתנו אם תרצו ללמוד עוד ולהבין האם זה מתאים לצרכים של הארגון שלכם.
