结直肠超声图像中的瘤细分使用合奏转移学习模型:朝着手术内边缘评估的方向
Freija Geldof1, Constantijn W A Pruijssers1, Lynn-Jade S Jong1,2
1Image-Guided Surgery, Department of Surgical Oncology, Netherlands Cancer Institute, Plesmanlaan 121, 1066 CX Amsterdam, The Netherlands.
Diagnostics (Basel, Switzerland)
|December 9, 2023
概括
深度学习通过在超声波图像中准确细分瘤来改善结直肠癌手术. 这种人工智能工具增强了瘤边缘的可视化,帮助外科医生实现完整的瘤切除并降低复发风险.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 手术瘤学手术瘤学
背景情况:
- 准确的瘤边界识别在结直肠癌手术中至关重要,不完全切除发生在~10%的晚期结直肠癌病例中.
- 术内超声波 (IOUS) 提供实时成像,但需要精确的瘤细分才能有效指导.
研究的目的:
- 开发和评估深度学习框架,用于在结直肠超声波图像中自动细分瘤.
- 在手术期间提供切除边缘的实时指导,以提高瘤切除的准确性.
主要方法:
- 使用了结直肠超声数据集 (179张图像,74名患者),并通过组织病理学证实了瘤注释.
- 从乳房超声波数据中转移学习和基于梯度的新型损失函数 (GWDice) 被用于解决数据稀缺问题并强调瘤边缘.
- 集合学习将多个模型的预测结合起来,以提高细分性能.
主要成果:
- 与从零开始的培训 (0.68) 相比,转移学习提高了细分性能 (迪斯系数0.78).
- GWDice损失函数将平均瘤边缘预测误差从1.08毫米减少到0.92毫米.
- 合体学习进一步提高了子系数到0.84并将边际误差降低到0.67毫米.
结论:
- 深度学习,包括转移和合体学习,在结直肠超声波中实现了强大的瘤细分,尽管数据有限.
- 开发的细分模型显示了实时手术内反的潜力,有助于更准确的结直肠瘤切除.
