基于基于对比度增强CT图像的肝脏部分和脏的自动轮完全自动化的深度学习
Aashish C Gupta1,2, Guillaume Cazoulat3, Mais Al Taie3
1Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, Houston, TX, USA. acgupta1@mdanderson.org.
Scientific reports
|February 26, 2024
概括
一个新的深度学习模型在CT扫描上自动轮肝脏部分和,提高了肝癌患者成像的准确性和减少了变化. 这种人工智能工具有助于有效的治疗规划.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在CT扫描上手动细分肝脏是耗时且可变的.
- 准确的肝脏细分对于肝癌治疗计划至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于在对比度增强CT (CECT) 图像上自动化肝部段和脏轮.
- 为了优化性能,比较不同的深度学习架构.
主要方法:
- 训练了两个深度学习模型:基于3D补丁的注意力U-Net和3D全分辨率nnU-Net.
- 评估了160名初级/二级肝癌患者的CET扫描模型.
- 使用子相似系数 (DSC) 和定性利克特分数评估轮准确性.
主要成果:
- 3D全分辨率nnU-Net模型在所有肝脏部分的注意力U-Net模型中表现出色 (DSC差异为0.03-0.05,p<0.05).
- 最终的模型获得了高的平均DSC值:0.89 (Seg 1),0.82 (Seg 2),0.88 (Seg 3),0.87 (Seg 4),0.96 (Seg 5-8),和0.95 ().
- 超过85%的病例获得了3或更高的利克尔特分数,表明临床可接受性.
结论:
- 开发的深度学习模型提供了临床上可接受和准确的肝脏部分和的自动轮.
- 这种自动化方法可以显著提高肝癌成像分析和治疗规划的效率和一致性.
