基于nnU-Net的3D PET/CT瘤细分与GCN提炼
Hengzhi Xue1, Qingqing Fang1, Yudong Yao1,2
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110004, People's Republic of China.
Physics in medicine and biology
|August 7, 2023
概括
本研究引入了一种图形卷积网络 (GCN) 后处理方法,以提高正电子发射断层扫描/计算机断层扫描 (PET/CT) 中的瘤细分精度. 新的nnU-Net + GCN框架完善了初始细分,大大减少了错误,并提高了各种癌症的诊断精度.
科学领域:
- 医学成像和放射瘤学医学成像和放射瘤学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 全身正子发射断层扫描/计算机断层扫描 (PET/CT) 扫描对于诊断黑色素瘤,淋巴瘤和肺癌等恶性瘤至关重要.
- 准确的瘤细分对于有效的癌症治疗计划至关重要.
- 现有的卷积神经网络 (CNN) 细分方法往往产生不准确的结果,包括过分细分和不足细分.
研究的目的:
- 提出一种使用图形卷积网络 (GCN) 的新后处理方法,以改进来自PET/CT扫描的不准确瘤细分.
- 通过解决超细分和不足细分的问题来提高瘤细分的整体准确性.
- 通过将nnU-Net与GCN结合起来,开发一个增强的细分框架.
主要方法:
- 利用nnU-Net在PET/CT数据集上进行初始瘤细分.
- 分析了细分不确定性,以建立图形节点 (确定和不确定像素).
- 采用半监督图形网络方法,用nnU-Net的准确细分作为标签来训练GCN,以优化不确定的区域.
主要成果:
- 拟议的nnU-Net + GCN框架有效地降低了瘤细分中的错误阳性率.
- 显示了显著的定量改进:平均子得分增加了2.1%.
- 在95%的豪斯多夫距离 (HD95) 中提高了6.4,平均对称表面距离提高了1.7.
结论:
- 基于图形卷积网络 (GCN) 的后处理是一种高效的方法,可以在PET/CT成像中完善瘤细分.
- nnU-Net + GCN框架在改善瘤应用的细分精度和可靠性方面取得了重大进展.
- 这种方法有望提高癌症管理中的诊断精度和治疗规划.
