从使用卷积神经网络的PET图像对头癌的分类
Henri Hellström1, Joonas Liedes1, Oona Rainio2
1Turku PET Centre, University of Turku and Turku University Hospital, Turku, Finland.
Scientific reports
|June 29, 2023
概括
使用卷积神经网络 (CNN) 的深度学习模型有效地在PET图像中对头癌进行分类. 数据增强提高了性能,在检测头部和部状细胞癌 (HNSCC) 时达到85.1%的AUC.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 头部和部状细胞癌 (HNSCC) 是一个重要的全球健康问题.
- 准确和早期发现HNSCC对于有效的治疗和改善患者结果至关重要.
- 阳位子发射断层扫描 (PET) 成像,特别是使用18F-氧化葡萄糖 (18F-FDG),显示出对可视化HNSCC的前景.
研究的目的:
- 开发和评估卷积神经网络 (CNN) 模型,用于对患有和没有头癌的患者的PET图像进行分类.
- 评估浅层和深层CNN的性能,利用U-Net架构,区分癌症和非癌症的头部和部区域.
- 调查数据增强技术对这些CNN模型诊断准确性的影响.
主要方法:
- 开发两种CNN (浅层和深层U-Net架构) 用于二维分类2D PET图像片.
- 培训和验证使用1990年178名HNSCC患者的2D 18F-FDG PET图像数据集,并进行了五次交叉验证.
- 通过另外一组238张来自非HNSCC头癌患者的图像进行测试,并评估数据增强的影响.
主要成果:
- 性能最好的模型是深度增强的CNN,在接收器操作特征曲线 (AUC) 下达到85.1%的中位面积.
- 在特定位置检测HNSCC的高度灵敏性观察到:舌根 (83.3-97.7%),状 (80.2-93.3%) 和口腔 (70.4-81.7%).
- 这些模型在检测其他头癌,包括甲状腺和腺癌方面表现出极好的灵敏度 (91.7-100%),尽管这些模型主要是使用HNSCC数据进行训练.
结论:
- 深度学习模型,特别是增强型CNN,显示出在18F-FDG PET图像中准确分类头癌的巨大潜力.
- 开发的模型对在各种解剖部位检测HNSCC具有很高的灵敏度,并且很好地将其推广到其他头恶性瘤中.
- 基于CNN的图像分析提供了一个有前途的工具,可以帮助早期诊断和管理头癌.
