需要对定量PET图像分割算法的客观基于任务的评估:一项使用ACRIN 6668/RTOG 0235多中心临床试验数据的研究

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 计算生物学 计算生物学

背景情况:

• 对PET图像进行准确的细分对于临床应用至关重要.
• 目前的细分算法通常使用与临床任务不直接相关的指标进行评估.
• 像子相似系数 (DSC),贾卡德相似系数 (JSC) 和豪斯多夫距离 (HD) 这样的优点数字缺乏临床任务相关性.

研究的目的:

• 调查PET细分算法的任务不可知度量和临床相关的定量任务之间的一致性.
• 确定标准指标是否准确地反映了估计代谢瘤体积 (MTV) 和总损伤糖解 (TLG) 的表现.

主要方法:

• 对于非小细胞肺癌的ACRIN 6668/RTOG 0235试验中的PET图像的回顾性分析.
• 评估常规算法 (值,蛇,马尔科夫随机场-GMM) 和基于U-net的深度学习算法.
• 在估计MTV和TLG时,比较基于任务的指标 (DSC,JSC,HD) 与基于任务的绩效.

主要成果:

• 传统的算法显示出差异:SUVmax40%在DSC上表现优于SUVmax50%,但在MTV/TLG估计中偏差更高.
• 马尔科夫随机场-高斯混合模型在DSC上表现优于Snakes,但增加了MTV偏差.
• 对于U-net,更深的网络提高了MTV/TLG准确度,并减少了偏差,尽管DSC/JSC/HD值相似.
• 对U-net的不同损失函数显著影响了MTV/TLG偏差,但没有改变DSC/JSC/HD.

结论:

• 对于PET细分算法的任务不可知度量可能与临床任务性能不一致.
• 基于任务的客观评估对于可靠的PET细分算法的临床翻译至关重要.
• 这项研究突出了标准指标的局限性和特定任务验证的重要性.