开发和验证一种算法模型,用于预测肺热废除过程中的散热效应

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 瘤学和干预性放射学.
• 医学中的计算建模.

背景情况:

• 散热效应显著影响肺部瘤的热除疗效.
• 目前用于预测这种效应的方法是手动的,耗时的,缺乏精度.
• 需要一种自动化的算法方法来提高手术规划的准确性和效率.

研究的目的:

• 开发一个卷积神经网络 (CNN) 模型,用于肺结节和血管系统的自动细分.
• 准确测量结节和周围血管之间的距离.
• 创建一个算法模型来预测在热除过程中的手术内散热效应.

主要方法:

• 使用Faster RCNN用于结节检测和VSPP-NET用于结节和血管系统的细分.
• 在392名患者的肺部CT图像上训练了算法,在单独的队列上进行了验证和测试.
• 将算法的散热效应预测与专家手动细分进行了比较.

主要成果:

• 在肺CT血管细分中实现了高回忆率 (>0.88) 和精度 (>0.78).
• 将平均图像分割时间从158秒 (手动) 缩短到29秒 (自动化).
• 在算法和专家组之间的散热效应预测中没有显著差异 (p=0.687).

结论:

• 开发的算法模型准确地预测了肺热除过程中的散热效应.
• 该模型提高了结节和血管细分的速度和精度,节省了规划时间.
• 为外科医生提供有价值的数据,以优化切除策略和改善治疗结果.