通过使用EfficientNet进行扩散权重成像来预测宫癌的阶段和等级
Souha Aouadi1, Tarraf Torfeh1, Othmane Bouhali2
1Department of Radiation Oncology, National Center for Cancer Care and Research, Hamad Medical Corporation, PO Box 3050, Doha, Qatar.
Biomedical physics & engineering express
|May 30, 2024
概括
本研究引入了一种使用深卷积神经网络 (DCNN) 和明显扩散系数 (ADC) 地图的新型非侵入性方法,用于从单一图像中预测宫癌 (CC) 的等级和阶段.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 宫癌 (CC) 的分级和分期对于治疗计划至关重要.
- 目前的方法可能具有侵入性或缺乏精度.
- 扩散权重成像 (DWI) 和明显扩散系数 (ADC) 地图为非侵入性评估提供了潜力.
研究的目的:
- 开发和验证一种使用单一图像预测CC等级和阶段的非侵入性方法.
- 为了利用深层卷积神经网络 (DCNN) 来分析ADC地图的图像.
- 评估DCNN模型的性能与传统的放射性分析相比.
主要方法:
- 追溯收集85名CC患者的ADC地图数据.
- 从预治疗DWI中提取瘤总体积 (GTV) 切片.
- 在二进制和四类分类任务中应用EfficientNetB0和EfficientNetB3模型.
- 利用合成少数群体过量采样技术 (SMOTE) 进行平衡的训练集和五倍交叉验证.
主要成果:
- EfficientNetB3在年级预测方面取得了0.924的AUC.
- 对于阶段预测,EfficientNetB0实现了0.931的AUC.
- DCNN模型显著优于放射性分析 (AUC为0.67-0.66) 并显示出优于或与ResNet50和Xception可比的结果.
结论:
- 使用DCNN从ADC地图预测CC等级和阶段是可行的.
- 基于EfficientNet的方法在非侵入性CC评估中显示出高准确度.
- 这种方法为改善CC诊断和治疗分层提供了一个有前途的工具.


