在对比度增强的CT上,自动定位和细分宫淋巴结,使用3D foveal全卷积神经网络
Miriam Rinneburger1, Heike Carolus2, Andra-Iza Iuga3
1Institute of Diagnostic and Interventional Radiology, Faculty of Medicine and University Hospital Cologne, University of Cologne, Cologne, Germany. miriam.rinneburger@uk-koeln.de.
European radiology experimental
|July 28, 2023
概括
本研究介绍了一种人工智能工具,用于CT扫描上的宫淋巴结的自动3D细分,提高癌症分期和放射学研究的准确性和节省时间.
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:
- 精确的TNM分期对于癌症患者的管理和治疗决策至关重要.
- 在对比度增强计算机断层扫描 (CECT) 上手动细分宫淋巴结 (LNs) 是耗时的.
- 开发用于LN本地化和细分的自动化工具对于高效的临床工作流程至关重要.
研究的目的:
- 开发和评估一种人工智能 (AI) 工具,用于在CECT上自动3D定位和细分宫LNs.
- 评估AI模型在细分短轴直径 (SAD) ≥5mm的LNs中的性能.
- 提供一个可以帮助临床决策和放射学研究的工具.
主要方法:
- 一个完全卷积的神经网络在187次CECT检查中接受了手动细分的LNs (SAD ≥5mm) 的训练.
- 该模型是使用3D骨补丁开发的.
- 在30个含有925个细分LN (SAD≥5mm) 的CECET上进行了独立测试.
主要成果:
- 人工智能模型在测试数据集上实现了平均81.1%的本地化率 (LR).
- 在测试数据集中获得了0.71的平均Dice系数.
- 对于扩大的LNs (SAD≥10毫米),LR达到96.2%,低假阳性率为2.4 LNs/CECT.
结论:
- 人工智能模型在CECT上展示了宫LNs的有效自动定位和3D细分.
- 该工具显示了高精度,特别是在扩大的LNs,支持临床护理和放射学.
- 这种由人工智能驱动的方法为瘤学中的N分期提供了一种节省时间的解决方案.
