儿童腹部CT器官细分的深度学习模型:在内部和异质公共数据库中进行开发和验证
Elanchezhian Somasundaram1,2, Zachary Taylor1, Vinicius V Alves1
1Department of Radiology, Cincinnati Children's Hospital Medical Center, 3333 Burnet Ave, MLC 5033, Cincinnati, OH 45229.
AJR. American journal of roentgenology
|May 1, 2024
概括
对于儿科腹部器官细分的深度学习模型,利用公共数据集上的转移学习 (TL) 和与机构数据的微调,与本地培训和现有模型相比显示出更高的性能. 这一进步为改善儿科成像体积应用提供了潜力.
科学领域:
- 医疗图像分析 医学图像分析
- 放射学中的深度学习.
- 儿科CT细分的细分.
背景情况:
- 深度学习算法在成年腹部器官细分方面表现出色.
- 这些算法在儿科患者群体中的验证是有限的.
- 儿科CT检查需要专门的细分模型.
研究的目的:
- 开发和验证儿童CT扫描中细分肝脏,脏和胰腺的深度学习模型.
- 为了比较不同深度学习架构和培训策略的性能.
主要方法:
- 对1731次CT检查 (483次儿科,1248次儿科/成人混合检查) 的回顾性分析.
- 使用本地培训 (NT) 和转移学习 (TL) 的SegResNet,DynUNet和SwinUNETR模型的培训和验证.
- 与TotalSegmentator进行比较;使用子相似系数 (DSC) 评估性能.
主要成果:
- 转移学习 (TL) 模型在内部和公共儿科数据集上表现优于本地培训 (NT) 和TotalSegmentator.
- 肝脏和脏的细分性能最高,其次是胰腺.
- DynUNet TL 模型展示了最好的整体性能,并作为开源发布.
结论:
- 在机构儿科数据上微调的转移学习模型显著改善了儿童的腹部器官细分.
- 开发的开源模型为儿科成像分析提供了有价值的工具.
- 分段精度因器官而异,胰腺更具挑战性.


