实施一种深度学习模型,用于在ex-vivo三维超声卷中自动对舌头瘤进行细分
N M Bekedam1, L H W Idzerda2, M J A van Alphen3
1Department of Head and Neck Surgery and Oncology, Netherlands Cancer Institute, Antoni van Leeuwenhoek, Amsterdam, The Netherlands; Academic Centre of Dentistry Amsterdam, Vrije Universiteit, Gustav Mahlerlaan 3004, 1081 LA Amsterdam, The Netherlands.
The British journal of oral & maxillofacial surgery
|February 24, 2024
概括
一个3D深度学习模型 (nnUNet) 在手术期间在3D超声波中为舌头癌提供快速,自动的细分. 然而,与手工方法相比,其在确定最终保证金状态方面的准确性需要改进.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 三维 (3D) 超声波对于评估舌癌的外科边缘至关重要.
- 在3D超声波中手动细分瘤 (MS) 是耗时且依赖于操作者.
- 自动化细分可以提高手术评估的效率和一致性.
研究的目的:
- 评估3D深度学习模型 (nnUNet) 用于3D超声波快速手术内对舌癌进行细分.
- 评估这种自动化细分对确定最终利状况的临床影响.
- 为了比较自动细分与手动细分的准确性与本病理学结果.
主要方法:
- 一个3D nnUNet模型在113个手动注释的3D超声波卷上训练了切除的舌头癌症.
- 该模型在16名患者身上进行了临床验证,并对包含多个岛屿的细分进行了调整.
- 来自自动,半自动和手动细分的最终边际状态 (FMS) 与他的病理学相比较.
主要成果:
- 3D nnUNet实现了0.65的平均子体积得分和8秒的预测时间.
- 自动细分显示了低相关性 (r=0.12) 与FMS的组织病理学.
- 手动细分显示了适度但微不足道的相关性 (r=0.4) 与FMS的基因病理学.
结论:
- 3D nnUNet在3D超声波中提供了快速,自动的舌癌细分.
- 目前的自动细分与FMS的组织病理学相关性低于手动细分.
- 需要进一步精细化,以提高在舌头癌症手术中进行边际评估的自动细分的临床实用性.
