在腹部CT上以深度神经网络为基础对正常和异常胰腺进行细分:评估全球和局部准确度
Satomi Kawamoto1, Zhuotun Zhu2, Linda C Chu2
1The Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine, 601 N. Caroline Street, Baltimore, MD, 21287, USA. skawamo1@jhmi.edu.
Abdominal radiology (New York)
|December 15, 2023
概括
深度神经网络 (DNN) 在CT扫描中准确地细分胰腺,有助于早期发现胰腺癌. 虽然通常是精确的,但在异常情况下可能需要一些手工精细化.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 胰腺管腺癌 (PDAC) 的延迟诊断导致患者的治疗结果不佳.
- 对PDAC的早期检测工具至关重要.
- 医学成像中的人工智能 (AI) 在识别微妙的癌症病变方面表现有前途.
研究的目的:
- 在CT图像中评估正常和异常胰腺深度神经网络 (DNN) 分段的准确性.
- 评估DNN在识别胰腺质量的全球和本地准确性.
主要方法:
- 之前开发的残留深度监测网络用于CT扫描上的胰腺细分.
- 该网络应用于健康个体 (正常胰腺) 和疑似PDAC (异常胰腺) 患者的图像.
- 使用DICE模拟系数 (DSC),平均对称表面距离 (ASSD) 和豪斯多夫距离95%百分位数 (HD95) 测量细分精度,与手动细分相比.
主要成果:
- 在DNN中,正常胰腺的平均DSC为87.4%,异常胰腺的平均DSC为85.5%.
- 放射科医生证实95.2%的正常病例和53.1%的异常病例 (两位放射科医生),97.6%的正常病例和75.5%的异常病例 (至少一名放射科医生) 的胰腺体体积≥95%的精确细分.
- 常见的细分错误发生在胰腺和十二指肠边界,特别是与瘤相关的特征,如导管扩张和透.
结论:
- 在大多数情况下,胰腺的深度神经网络 (DNN) 分段是准确的.
- 可能需要对DNN细分进行轻微的手动调整,特别是在异常胰腺病例中.
- 在胰腺癌诊断中,DNN显示出作为早期检测和细分工具的潜力.
