在CECT体积中对卵巢瘤细分的不确定性意识改进框架
Jiaqi Hu1, Zhiming Cui2, Xiao Zhang2,3
1Zhejiang Provincial Key Laboratory of Precision Diagnosis and Therapy for Major Gynecological Diseases, Department of Gynecologic Oncology, Women's Hospital and Institute of Translational Medicine, Zhejiang University School of Medicine, Hangzhou, Zhejiang, China.
Medical physics
|October 20, 2023
概括
这项研究引入了一个不确定性意识框架,用于精确的卵巢瘤细分在CECT图像中,显著提高准确性和有效地识别小瘤,以便更好地规划放射治疗.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 计算病理学计算病理学
背景情况:
- 卵巢癌是一种致命的妇科疾病.
- 在对比度增强计算机断层扫描 (CECT) 图像中精确细分卵巢瘤对于放射治疗计划至关重要.
- 自动化细分面临的挑战包括不均的背景和模两可的界限,导致高模型不确定性.
研究的目的:
- 为CECT图像中精确的卵巢瘤细分提出一个不确定性意识的改进框架.
- 估计和完善具有高预测不确定性的地区.
- 为了提高细分精度,以便更好地做出临床决策.
主要方法:
- 利用一个近似的贝叶斯网络来检测瘤和不确定区域的粗略感兴趣区域 (ROI).
- 采用后续细分网络,缩小搜索区域,并优先考虑不确定区域.
- 集成的两个指导模块学习隐性函数,将不确定的特征映射到器官或边界分组.
主要成果:
- 在内部测试数据 (77个案例) 上实现了高性能: Dice 86.31%, Jaccard 73.93%, HD95 15.17 mm, ASSD 2.57 mm.
- 与最先进的模型相比,表现出更高的性能,特别是在小瘤中 (Dice >20%高于体积<20厘米3).
- 在外部数据 (38个案例) 上验证了强大的性能: Dice 83.74%, Jaccard 69.55%, HD95 12.31 mm, ASSD 2.32 mm.
结论:
- 拟议的框架在卵巢瘤细分方面显著优于现有的方法.
- 该方法减少了不足/过分细分,并改善了小瘤的识别.
- 该框架显示了在放射治疗中临床应用的巨大潜力.
