小児パーソナライズド・ディープ・ラーニング・モデルは,CTとMRIでの肝芽細胞腫のセグメンテーションのためのものです

科学分野:

• メディカルイマージング (医学イメージング)
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 小児腫瘍学 小児腫瘍学

背景:

• 小児患者の肝芽細胞腫の正確なセグメンテーションは,治療計画とモニタリングに不可欠です.
• 大人のデータで訓練された既存のディープラーニングモデルは,小児画像特性にうまく一般化できない可能性があります.

研究 の 目的:

• 小児患者における肝芽細胞腫のセグメンテーションのための成人の訓練を受けたモデルの汎用性を評価する.
• ヘパトブロスタモのセグメンテーションのための小児コントラスト強化CTとT2重量MRIスキャンで特別に訓練されたディープラーニング (DL) モデルの開発と検証.

主な方法:

• DLモデル開発のために3次元U-Netアーキテクチャを使用しました.
• 児童腫瘍学グループAHEP0731試験の多センター小児画像データでモデルを訓練した.
• ダイス類似度係数 (DSC) と体積の誤差パーセントを用いてモデルを評価し,手動および成人訓練モデルセグメンテーションと比較した.

主要な成果:

• 小児の訓練を受けたCTモデル ($M_P^{CT}$) は,良好な合意 (DSC = 0.86) を達成し,複数のアノーターで成人の訓練を受けたモデルを大幅に上回った.
• 小児の訓練を受けたMRIモデル ($M_P^{MRI}$) も,コンセンサスセグメンテーションとの良好な合意 (DSC = 0.86) を示した.
• M P C Tは,高精度シナリオでは,初心者アノーターに匹敵するまたはそれよりも優れたセグメンテーション精度を提供しました.

結論:

• 専門的に小児データで訓練されたディープラーニングモデルは,小児における肝芽細胞腫のセグメンテーションの精度を大幅に改善します.
• これらの小児特異的なモデルは,小児肝臓腫瘍の分析のために,成人の訓練を受けたモデルよりも貴重な進歩を提供します.
• 開発されたDLモデルは,小児腫瘍学のイメージングにおける臨床ワークフローの強化の可能性を示しています.