一个基于分类的自适应细分管道:使用多囊性肝病和结肠直肠癌转移的可行性研究CT图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算病理学计算病理学

背景情况:

• 自动图像细分工具在不同病理的准确性和适应性方面扎.
• 现有的方法往往无法为各种肝病提供可靠的细分.

研究的目的:

• 评估医疗图像适应性细分工作流程的可行性.
• 通过使用专门训练的模型,提高肝脏细分的准确性和适应性.
• 开发一个深度学习分类器,用于将图像路由到适当的细分模型.

主要方法:

• 使用了350张多囊性肝病CT图像和350张结直肠癌肝转移的CT图像.
• 实现了深度学习分类器来分类图像并将其引导到专门的细分模型.
• 将自适应工作流的性能与通用单段化模型进行了比较.

主要成果:

• 适应性细分工作流显示,总肝脏细分的统计学上显著改善.
• 在非参数的威尔科克森签名等级测试 (n=100) 中获得了p值<0.001.
• 在准确性和适应性方面超过了通用的单段化模型.

结论:

• 拟议的自适应细分工作流程对于细分不同病理的肝脏图像是可行的和有效的.
• 这种方法比通用模型提供了显著的改进,提高了临床效用.
• 该工作流适用于广泛的场景,对临床细分管道有前途.