Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

La plate-forme en ligne d'open-source offre une meilleure analyse dans des images biomédicales

Les années récentes ont vu des améliorations spectaculaires en technologies de l'image qui ont comme conséquence des définitions plus élevées et des temps plus rapides d'acquisition.

Les images des cellules, du tissu et des organes fournissent à des experts médicaux autour du monde une myriade d'informations sur la condition de leurs patients de la santé à un moment donné. Mais comment gagnent-elles la compréhension de ce qu'elles voient dans ces images biomédicales ?

Le statu quo : à erreurs longues et enclines

Pour effectuer ces grandes images volumétriques indiquer leur véritable potentiel de l'information, la segmentation manuelle - par lequel une image numérique soit divisée en segments variés pour activer ou faciliter l'analyse - est souvent exigée.

Des marques, comme par exemple le « mouvement propre » ou le « objectif », sont affectées aux structures variées d'intérêt avec différents intervalles à l'intérieur du volume 3D.

Ceci est suivi d'une interpolation des marques entre les parts pré-segmentées, où des valeurs aux remarques inconnues sont estimées à l'aide des caractéristiques connues.

Dans ce procédé, la caractéristique d'image fondamentale n'est pas habituellement tenue compte, et l'interpolation est pour cette raison basée exclusivement sur les parts segmentées.

En conséquence, seulement une fraction d'information expérimentale réelle est utilisée pour dériver la segmentation.

« La segmentation manuelle de grands ensembles de données biomédicaux de composition inconnue est souvent des erreurs très longues et enclines.

Pour analyser des caractéristiques d'image en trois dimensions, la segmentation manuelle est toujours une approche très courante. En fait, les instituts emploient des forces terrestres des stagiaires qualifiés juste pour cette tâche même, » dit Philipp Lösel de l'organisme de recherche « quantification d'exploitation de données et d'incertitude » (DMQ) aux COUPS, qui ont développé Biomedisa.

Biomedisa : plus rapidement, convivial et et plus précis

Et c'est où la segmentation biomédicale APP Biomedisa d'image entre, - et - un facile libre - plate-forme en ligne d'open-source d'à-utilisation particulièrement développée pour la segmentation semi-automatique.

La segmentation est basée sur une interpolation sèche des parts peu abondamment pré-segmentées tenant compte des caractéristiques d'image fondamentales complètes. Ceci rend Biomedisa particulièrement précieux quand peu la connaissance a priori est procurable.

« Biomedisa peut accélérer le procédé de segmentation énormément, tout en en même temps fournissant plus de résultats exacts que la segmentation manuelle, » dit Thomas van de Kamp (NÉCESSAIRE), un biologiste avec une expérience douloureuse de la segmentation manuelle d'image qui a fourni les caractéristiques micro-CT et le Biomedisa évalué pendant son développement.

La plate-forme est accessible par un navigateur web et n'exige la configuration pas complexe et pénible des paramètres de logiciel et de modèle. La solution d'un-bouton peut être employée pour différentes modalités d'imagerie 3D et applications biomédicales variées.

Notre objectif expressément était de produire un outil large-applicable et convivial pour accélérer la segmentation des échantillons de morphologie inconnue tout en également améliorant les résultats. »

Vincent Heuveline, directeur, calculant le chef de centre et de groupe de DMQ, institut d'Heidelberg pour des études théoriques

« Biomedisa est un exemple pour un logiciel ce des avantages directement des derniers développements de la technologie de GPU (unité de traitement de dessins). Le modèle visserie-averti utilise des accélérateurs graphiques pour traiter les caractéristiques d'image toujours croissantes, » ajoute Philipp Lösel.

Sur le chemin à la segmentation complètement automatique

En outre, Biomedisa offre une gamme d'autres fonctionnements, tels que le démontage des massifs détachés ou l'obturation des trous, on peut lisser des surfaces et l'incertitude avec laquelle le résultat a été obtenu peut être mesurée. En outre, les caractéristiques peuvent être conçues avec le logiciel du rendu 3D et être partagées avec d'autres usagers.
Enfin et surtout, Biomedisa active des techniques d'apprentissage automatique en formant un réseau neuronal profond.

Cette technique permet une segmentation complètement automatique quand un grand nombre de structures assimilées, telles que le coeur humain, est segmentées. Comme résultat, elle permet des simulations numériques basées sur un modèle de coeur de patient-détail et aide ainsi des cliniciens avec leur planification et prise de décision chirurgicales.

Toutes ces caractéristiques combinées effectuent à Biomedisa une plate-forme idéale pour le tout ceux pour qui une illustration vaut plus que mille mots.

Source:
Journal reference:

Lösel, P. D., et al. (2020) Introducing Biomedisa as an open-source online platform for biomedical image segmentation. Nature Communications. doi.org/10.1038/s41467-020-19303-w.