在手术中的超声波中自动细分肝脏瘤:一种监督的深度学习方法
Tiziano Natali1, Andrey Zhylka1, Karin Olthof1
1The Netherlands Cancer Institute - Antoni van Leeuwenhoek Hospital, Department of Surgical Oncology, Amsterdam, The Netherlands.
Journal of medical imaging (Bellingham, Wash.)
|March 14, 2024
概括
一个深度学习模型在手术内超声波 (iUS) 图像中准确地细分肝脏瘤,帮助外科医生确定切除边缘,并改善肝脏和结直肠手术期间的病变检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 手术瘤学手术瘤学
背景情况:
- 准确评估瘤边缘对于成功的肝脏和结直肠手术至关重要.
- 术内超声波 (iUS) 是在这些程序中提供实时指导的宝贵工具.
- 自动化图像分析可以提高手术干预的精度和效率.
研究的目的:
- 开发和评估一个监督的深度学习模型,从iUS图像对肝脏瘤进行细分.
- 为了提高肝脏手术中瘤边缘评估的准确性.
- 为了提高在结直肠手术期间的病变检测.
主要方法:
- 在专家注释的B模式iUS图像上使用nnU-Net框架训练了一个U-Net卷积神经网络.
- 该模型在一个独立的数据集上进行了追溯评估.
- 使用子相似系数 (DSC) 评估性能,并与人类专家的变化性进行比较.
主要成果:
- 深度学习模型实现了0.84的DSC,相当于专家评级者.
- 该模型在低声 (DSC 0.89) 和混合 (DSC 0.88) 病变方面表现出更高的准确性,而在高声 (DSC 0.70) 和同声 (DSC 0.60) 病变方面表现出更高的准确性.
- 该模型错过了8%的病变,主要是异声或大于20毫米的病变.
结论:
- 开发的深度学习模型在iUS图像中准确地细分肝脏瘤.
- 这项技术有可能在手术期间加快切除边缘的定义.
- 自动化iUS评估可以改善查和外科指导中的病变检测.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
