在儿童威尔姆斯瘤CT中使用 nnu-net 的自动细分和体积预测
Weikang Li1, Yiran Sun2, Guoxun Zhang1
1Department of Radiology, The Children's Hospital, Zhejiang University School of Medicine, National Clinical Research Center for Child Health, No. 3333, Binshneg Rd, Hangzhou, China.
BMC pediatrics
|May 9, 2024
概括
这项研究开发了一种人工智能驱动的方法,在CT扫描上自动概述威尔姆斯瘤 (WT),提高体积精度. 综合方法增强了儿科WT患者的临床评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科瘤学 儿科瘤学
背景情况:
- 对威尔姆斯瘤 (WT) 的精确放射体积评估对于治疗决策至关重要.
- 瘤异质性导致放射科医生间的变异性,可能导致误诊和低于最佳治疗.
- 深度学习为CT扫描上自动化WT病变概述提供了一个潜在的解决方案.
研究的目的:
- 通过深度学习使用CT图像自动化概述威尔姆斯瘤 (WT) 焦点.
- 评估WT的自动化细分模型的性能.
- 通过优化基于AI的细分结果来提高体积评估的准确性.
主要方法:
- 分析了来自105名WT患者的CT静脉相位图像.
- 一个深度学习模型 (nnUnet) 被训练为自动损伤细分.
- 使用子相似系数 (DSC) 和豪斯多夫距离 (HD95) 评估性能,随后使用3D瘤直径进行优化.
主要成果:
- 自动细分实现了0.83±0.22的DSC和10.50±8.98毫米的HD95.
- 最初的体积差异为72.27 ± 134.84 cm3 (绝对) 和21.08% ± 30.46% (百分比).
- 优化将绝对差异和百分比差异分别降低到40.22 ± 96.06cm3和10.16% ± 9.70%.
结论:
- 一种新的方法整合了AI自动轮和3D瘤直径,提高了WT体积预测的准确性.
- 这种人工智能驱动的方法超过了单独人工智能结果的准确性.
- 该方法显示了改善儿科WT和其他儿科疾病的临床评估的潜力.
