在CT和MRI上基于深度学习的口腔状细胞癌的多式细分,使用自配置nnU-Net进行CT和MRI
Yangsean Choi1,2, Jooin Bang3, Sang-Yeon Kim3
1Department of Radiology, Seoul St. Mary's Hospital, The Catholic University of Korea, College of Medicine, Seoul, Republic of Korea. phillipchoi007@gmail.com.
European radiology
|January 19, 2024
概括
使用nnU-Net的深度学习模型在CT和MRI扫描上准确地细分了口腔状细胞癌 (OPSCC). 多模式CT-MR模型在同时分段方面显示出有希望的结果,有助于治疗规划.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 无线电学 (Radiomics) 是一种无线电学.
背景情况:
- 口腔状细胞癌 (OPSCC) 的诊断和治疗计划依赖于精确的瘤划界.
- 在医疗图像上手动对OPSCC进行细分是耗时的,并且受观察者之间的变化影响.
- 深度学习为自动化和可重复的瘤细分提供了潜在的解决方案.
研究的目的:
- 评估基于深度学习的细分模型的性能,特别是nnU-Net,用于使用CT和MRI的口腔状细胞癌 (OPSCC).
- 为了比较CT,MRI和CT-MR数据组合训练的模型的细分精度.
主要方法:
- 一项回顾性研究包括91名OPSCC患者,分为开发和测试队列.
- 口腔状细胞癌 (OPSCC) 在CT,MR和CT-MR图像上进行手动细分,以创建地面真相数据.
- 使用多式联网和多通道输入图像训练了一种自我配置的nnU-Net模型.
- 用子相似系数 (DSC) 和平均豪斯多夫距离 (HD) 评估细分性能.
主要成果:
- 所有nnU-Net模型都在CT,MR和CT-MR模式中展示了强大的细分性能.
- 磁共振 (MR) 和CT-MR模型显示,与仅CT模型相比,豪斯多夫距离显著较低.
- 在预测和地面真相细分体积之间观察到高相关系数 (0.88-0.93).
- 放射性特征的MR模型显示出极好的可重现性 (ICCs 0.91-0.93).
结论:
- 自配置的nnU-Net在CT和MRI上提供了可靠和准确的口腔状细胞癌 (OPSCC) 细分.
- 多模组CT-MR细分显示了同时瘤划分的前景.
- 自动化细分促进了OPSCC的放射性反应评估和放射治疗规划.
