基于CT的卵巢癌深度学习细分和提取的放射性特征的稳定性
Yiang Wang1, Mandi Wang2, Peng Cao1
1Department of Diagnostic Radiology, The University of Hong Kong, Hong Kong, China.
Quantitative imaging in medicine and surgery
|August 15, 2023
概括
深度学习在CT扫描上准确地对卵巢癌 (OC) 进行细分,从而实现稳定的放射性特征提取. 这种自动化方法为癌症特征提供了一种节省时间的工具.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 无线电学 (Radiomics) 是一种无线电学.
背景情况:
- 放射学分析为卵巢癌 (OC) 提供了有价值的组织特征.
- 对OC进行手动细分用于放射学是耗时和劳动密集的.
- 需要自动化细分方法来提高效率.
研究的目的:
- 为了评估基于深度学习的OC基于对比增强CT图像的细分的性能.
- 为了评估从自动化OC细分中提取的放射学特征的稳定性.
- 为了比较不同的深度学习架构用于OC细分.
主要方法:
- 追溯分析367名OC患者的腹腔皮层CT图像.
- 使用四个模型架构的 no-new-Net (nnU-Net) 方法.
- 通过使用子得分,雅卡德得分,灵敏度和精度来评估细分性能.
- 评估体积一致性和放射性特征稳定性 (ICC).
主要成果:
- 3D U-Net 级联架构实现了卓越的细分性能 (Dice: 0.941,Jaccard: 0.890).
- 手动和自动瘤体积之间的高度相关性 (ρ=0.944, ρ=0.933).
- 85.0%的放射性特征显示出高稳定性 (ICC>0.8).
结论:
- 深度学习在CT上提供了准确的自动化OC细分.
- 提取的放射性特征显示出高稳定性,支持临床实用性.
- 这种自动化细分工具在OC分析中具有批处理的潜力.
