在临床前微型计算机断层扫描中应用深度学习对小鼠肺部瘤的细分

科学领域:

• 生物医学成像技术 生物医学成像技术
• 人工智能在医学中的应用
• 癌症研究 癌症研究

背景情况:

• 肺癌是死亡的主要原因,基因工程小鼠模型 (GEMMs) 对人类疾病提供了宝贵的见解.
• 微计算机断层扫描 (μCT) 对于体内瘤检测在GEMM中至关重要,但手动图像分析耗时且容易变化.
• 需要自动化细分方法来提高肺癌研究中μCT图像分析的效率和可靠性.

研究的目的:

• 开发和验证一个深度学习模型,用于从3DμCT图像中完全自动分段小鼠肺瘤.
• 与手动细分方法相比,评估自动化模型的准确性,速度和一致性.
• 评估模型在真实世界对小鼠肺癌进展的纵向研究中的表现.

主要方法:

• 一个深度学习模型使用GEMM肺瘤手动细分的3DμCT图像进行训练.
• 该模型的性能在独立的数据集上进行了评估,将其细分精度 (相关系数,子相似系数) 与手动细分进行了比较.
• 该模型的效率通过将其处理时间与手动细分时间进行比较,并将其结果与读者间和读者内部的变异性进行比较来评估.

主要成果:

• 深度学习模型与手动细分实现了高相关性 (r2=0.99,DSC=0.78在测试数据上;r2=0.97,DSC=0.73在独立数据上).
• 自动细分的性能与读者间的变化 (r2=0.98,DSC=0.78与r2=0.79,DSC=0.69) 相当,与读者内部的变化 (r2=0.99,DSC=0.82) 相当.
• 该模型仅在1分钟内处理了超过5小时的手动细分工作,并在纵向研究中成功跟踪瘤进展.

结论:

• 一个深度学习模型能够快速,准确和完全自动地对鼠肺瘤的μCT扫描进行细分.
• 这种自动化方法显著提高了肺癌GEMM研究中的定量分析的效率和可靠性.
• 开发的模型有望通过简化图像分析来加速临床前肺癌研究和药物开发.