对异质CT数据的中枢淋巴结细分的评估,包括完全和弱监督

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:

• 准确的淋巴结大小估计对于癌症分期,治疗计划和治疗反应评估至关重要.
• 目前的方法依赖于有限的单向或双向测量,而3D细分提供了更高的准确性.
• 完全卷积神经网络 (FCN) 在医学图像细分方面表现出色,包括淋巴结,但面临临临床采用挑战.

研究的目的:

• 在一个独立的数据集上评估淋巴结细分模型的概括性和性能.
• 评估疾病异质性和不同成像参数对模型性能的影响.
• 为了比较完全监督与弱监督的深度学习方法对淋巴结细分的有效性.

主要方法:

• 充分利用卷积神经网络 (FCN) 进行淋巴结细分.
• 在对来自540名患者的806个中淋巴结的完全独立数据集上评估了模型性能.
• 系统地比较完全监督和弱监督的培训方法.

主要成果:

• 在独立测试组中,细分模型的性能与训练组的性能相当.
• 模型的概括性没有受到潜在疾病条件或异质成像参数的显著影响.
• 弱监督的方法实现了完全监督的方法90%-91%的性能.

结论:

• 淋巴结细分的深度学习模型在各种临床场景和成像技术中表现出强大的概括性.
• 弱监督学习是一个可行的替代方案,接近完全监督方法的性能,并可能减少注释负担.
• 这些发现支持人工智能驱动的细分对于改善临床实践中的淋巴结评估的潜力.