基于深度学习的对卵巢癌多部位疾病的细分
Thomas Buddenkotte1,2,3,4, Leonardo Rundo2,5,6, Ramona Woitek2,5,7
1Department, of Applied Mathematics and Theoretical Physics, University of Cambridge, Cambridge, UK.
European radiology experimental
|December 6, 2023
概括
深度学习在CT扫描上准确地细分卵巢癌病变,与盆腔/卵巢部位的实习放射科医生的表现相匹配. 这种自动化方法有助于临床评估和研究管道.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在CT扫描上对卵巢癌病变的细分对于治疗规划和监测至关重要.
- 手动细分是耗时的,并且受观察者之间的变化影响.
- 深度学习为自动化和一致的细分提供了潜在的解决方案.
研究的目的:
- 评估完全自动化的深度学习模型在CT图像上对卵巢癌中的骨盆/卵巢和膜病变进行细分的有效性.
- 将深度学习模型的性能与既定框架和实习放射科医生的性能进行比较.
主要方法:
- 开发了一种深度学习模型,用于细分骨盆/卵巢和卵巢中的卵巢癌病变.
- 该模型在四个机构的451个CT扫描上进行了训练和验证.
- 使用子相似系数 (DSC) 评估性能,并通过Wilcoxon测试进行比较.
主要成果:
- 深度学习模型在骨盆/卵巢和骨头病变方面显著优于"无新网"框架.
- 该模型在骨盆/卵巢病变细分方面的表现与实习放射科医生的表现相当 (p=0.371).
- 该模型在一个独立的测试组中实现了盆腔/卵巢病变的71±20%的DSC,以及部病变的61±24%.
结论:
- 在CT扫描上完全自动化基于深度学习的卵巢癌病变细分是可行的.
- 开发的模型表现出与盆/卵巢病变的实习生级放射科医生相近的性能.
- 这种自动化细分可以支持临床体积评估和研究.
