半监督学习向有限注释的PET图像的自动细分:适用于淋巴瘤患者
Fereshteh Yousefirizi1, Isaac Shiri2, Joo Hyun O3
1Department of Integrative Oncology, BC Cancer Research Institute, Vancouver, BC, Canada. frizi@bccrc.ca.
Physical and engineering sciences in medicine
|March 21, 2024
概括
使用3D U-Net模型进行半监督学习,有效地对淋巴瘤患者的PET扫描中细分瘤. 这种方法减少了对手册注释的依赖,提高了医学成像分析的效率.
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:
- 在PET扫描中手动细分瘤是耗时的,容易出现不一致.
- 卷积神经网络 (CNN) 显示出准确瘤细分的潜力,但需要大量的注释数据.
- 开发高效的细分方法对于疾病量化,治疗评估和治疗计划至关重要.
研究的目的:
- 探索在2-[18F]FDG PET图像中细分瘤的半监督学习方法,用于扩散性大B细胞淋巴瘤 (DLBCL) 和原发性中间体大B细胞淋巴瘤 (PMBCL).
- 用3D U-Net模型评估各种监督,无监督和半监督方法的性能.
- 为了克服医疗图像细分中的广泛注释数据要求的局限性.
主要方法:
- 使用了来自292名患者的2[18F]FDG PET图像 (104名PMBCL,188名DLBCL).
- 在培训中使用了一个包含模糊聚类损失 (FCM) 的3D U-Net模型.
- 对比完全监督 (标记FCM,统一的焦点/子损失),无监督 (强大的FCM - RFCM,Mumford-Shah - MS损失) 和半监督 (MS + 子,RFCM + FCM) 的方法.
主要成果:
- 统一的损失函数实现了比子损失 (p < 0.01) 更高的子得分 (0.73 ± 0.11).
- 半监督的RFCM + αFCM (α=0.3) 以0.68±0.10的Dice得分表现最好,其表现优于MS + αDice (p < 0.01).
- 另一种半监督方法,MS + αDice (α=0.2),实现了0.59 ± 0.09的子得分,超过了其他监督级别 (p < 0.01).
结论:
- 半监督学习方法显示了自动化医疗成像细分的重大前景.
- 这些方法可以减少与手动瘤划分相关的时间和潜在不一致性.
- 开发的技术为分析淋巴瘤患者的PET扫描提供了更有效的工作流程.
