研究者・開発者向けPython連携プラットフォーム
従来の問題点
深層学習にとって、DICOM-RTデータはCTと臓器輪郭がセットとなっている貴重な資源でありますが、これまで、DICOM-RTデータを簡便に解析・再構成・データ抽出を可能とするツールはなかったため、研究がスムーズに実施できない、解析を外注するに大きなコストが発生するなどの問題があり、効率的なデータ活用が行なえませんでした。
APIによるシームレスな抽出
Growth RTVのPython連携プラットフォームを利用すれば、ユーザーはDICOMの扱い方を知らなくても、簡単なPythonスクリプトで3D画像データを取得し、機械学習・データ解析・データ加工等を行えます。また、本プラットフォーム介し、CTやDICOM-RTデータへ新たな臓器領域を追加定義できるため、研究実施チーム(大学・企業)と評価チーム(医療機関)は本プラットフォームを介してスムーズな研究実施と研究成果の評価が行なえます。
活用例
・臓器自動領域抽出、腫瘍自動認識向け深層学習用データの大量生成
・臓器領域のマージ(足し算)や分離（引き算）後に新たな臓器として追加定義
・研究実施機関と評価機関の分業促進
自動抽出の研究対象臓器または腫瘍に対し
AI開発成果例
AIによる臓器の3D領域自動抽出
Growth RTV製品で搭載されている臓器抽出AIの開発にも本プラットフォームを利用しています
AIによる3D-CT超解像
疎な3D-CTから密な3D-CTへの補間を学習することで、画像劣化なく3D像を平滑化、高解像化するAIを開発しました。従来の線形補間よりも正しく画素値を予測可能です。
AIにCT金属アーチファクト低減(MAR)
敵対的生成ネットワークを利用して、3D-CT内の金属アーチファクト低減AIの開発に成功しました。現在試験的にクラウドサービスを提供中です。
AIによるMAR技術詳細 >>
Pythonスクリプト例
CTの3Dデータ取得例
#本プラットフォームより提供されたクラスpyGRTVを利用してデータアクセスを行います
grtv = pyGRTV() # インスタンス生成
grtv.readRTDir(“c:/testdata/”) # DICOM-RT読み込み
ret, img_short = grtv.readGRTVRaw(grtv.GRTV_DATA_TYPE_IMAGE) # 3Dデータ取得
grtv.writeRaw(“c:/testdata_ct.raw”, img_short , dataType=np.int16) # ファイル保存
関心領域の3Dデータ取得例
grtv = pyGRTV() # インスタンス生成
grtv.readRTDir(“c:/testdata/”) # DICOM-RT読み込み
ret, roi_uint8 = grtv.readGRTVRaw(grtv.GRTV_DATA_TYPE_ROI, dataID=0) # 0番目のROIを取得
grtv.writeRaw(“c:/testdata_roi_0.raw“, roi_uint8, dataType=np.uint8) # ファイル保存
関心領域の3Dメッシュ(PLY形式 or STL形式)の一括書き出し例
grtv = pyGRTV() # インスタンス生成
grtv.readRTDir(“c:/testdata/”) # DICOM-RT読み込み
roiList = []
ret = grtv.getROIList(roiList) # 定義済みROIリスト取得
#ROIごとにPLY形式で書き出し
for roi in roiList:
meshPath = “c:/mesh/%s.ply” % (roi[“roi_name”])
ret = grtv.exportROIMesh(dataID=int(roi[“roi_index”]),
meshPath=meshPath, meshType=grtv.GRTV_MESH_TYPE_PLY)
Python API リファレンス
Return to Top ▲