改进了全身3D扫描中的自动瘤细分,使用基于多方向2D投影的先验
Sambit Tarai1, Elin Lundström1, Therese Sjöholm1
1Department of Surgical Sciences, Uppsala University, SE-75185, Uppsala, Sweden.
Heliyon
|February 23, 2024
概括
这项研究引入了一个新的自动化框架,用于改善全身医学图像中的瘤细分. 该方法通过准确识别小病变,提高了早期癌症检测和患者的生存率.
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:
- 通过全身成像早期发现癌症对于患者的生存至关重要.
- 自动化系统有助于癌症诊断,但在全身扫描中瘤细分仍然具有挑战性.
研究的目的:
- 在全身PET/CT或PET/MR图像中开发一个用于增强瘤细分的自动化框架.
- 为了提高瘤检测和细分的准确性和稳定性.
主要方法:
- 一个新的端到端框架,使用先前的瘤特征生成瘤概率分布图 (TPDM).
- 集成TPDM与3D细分网络和原始PET/CT或PET/MR图像.
- 在三个独立的队列 (autoPET,CAR-T,cHL) 进行评估,这些队列具有不同的癌症类型和成像参数.
主要成果:
- 拟议的方法在子系数,灵敏度和精度方面明显优于基线3D细分网络.
- 该框架成功地检测到基线模型错过的小瘤病变,而不会增加错误阳性.
- 观察到的平均子改善率为0.0251 (自动PET),0.144 (CAR-T) 和0.0528 (cHL).
结论:
- 与基线模型相比,基于TPDM的方法提供了更准确和更强大的瘤细分结果.
- 该方法可以与现有的3D UNET架构集成,以改善临床评估.
- 该框架有可能促进早期癌症检测和患者管理.
