基于后nCRTMRl模式和深度学习框架的直肠癌的完全语义细分
Shaojun Xia1,2, Qingyang Li2, Hai-Tao Zhu2
1Institute of Medical Technology, Peking University Health Science Center, Haidian District, No. 38 Xueyuan Road, Beijing, 100191, China.
BMC cancer
|March 8, 2024
概括
这项研究开发了一种深度学习模型,用于在新辅助化学放射治疗 (nCRT) 后在MRI上对直肠瘤细分. 该模型实现了有希望的准确性,有可能减少直肠癌治疗中放射科医生的工作量.
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:
- 在新辅助化学放射治疗 (nCRT) 后的MRI上精确的直肠瘤细分对于治疗评估和手术规划至关重要.
- 手动细分是耗时的,并且受观察者之间的变化影响.
- 深度学习为自动化和标准化这一过程提供了一个潜在的解决方案.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 用于自动直肠瘤细分.
- 仅在化学辐射后的T2加权MRI上评估细分性能.
- 为了减少放射科医生和临床医生在检测和测量直肠瘤方面的工作量.
主要方法:
- 对372名用标准nCRT治疗的LARC患者进行了回顾性分析.
- 使用nnU-Net框架开发一个对称的八层深度网络.
- 在243名患者 (3061片) 上进行培训和验证,并使用五倍交叉验证对41名患者 (408片) 进行测试.
主要成果:
- 深度学习模型在测试数据集上实现了0.700的平均子相似系数 (DSC).
- 定量评估显示平均95%的豪斯多夫距离 (HD95) 为17.73毫米,平均表面距离 (MSD) 为3.11毫米.
- 很大一部分MSD值低于5毫米 (82%) 和2毫米 (55%),这表明大多数病例的精度很高.
结论:
- 开发的深度学习管道在nCRT后的MRI上对直肠瘤细分的准确性相对较高.
- 这些发现表明,人工智能有潜力协助直肠癌管理的临床工作流程.
- 未来的研究应该集中在多中心外部验证上,以确认可通用性.
