基于深度学习的细分和胃肠道瘤的风险分层在腹腔超声成像中

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:

• 胃肠道 stromal 瘤 (GISTs) 需要准确的细分和风险分层,以进行有效的治疗计划.
• 当前的诊断方法可能在精度和效率方面存在局限性.

研究的目的:

• 开发和评估一个深度神经网络 (DNN) 系统,用于使用超声波 (美国) 图像对GIST进行自动细分和风险分层.
• 为了确定GIST分析的最佳DNN架构.

主要方法:

• 追溯收集了245名GIST患者的980张美国图像,用于培训和内部测试.
• 来自47名GIST患者的188张美国图像的前景收集用于外部验证.
• 五个细分网络的比较 (UNet,FCN,DeepLabV3+,Swin Transformer,SegNeXt) 与ResNet18相结合用于分类.
• 使用IoU,DSC,准确性和AUROC等指标进行绩效评估.

主要成果:

• SegNeXt-ResNet18模型在细分和风险预测方面表现出卓越的表现.
• 内部测试集的结果:IOU 82.1%,DSC 90.2%,准确率 87.4%,AUC 92.0%.
• 外部测试集的结果:IOU 81.0%,DSC 89.5%,准确度 86.7%,AUC 92.5%. 这是一个很好的结果.

结论:

• 开发的双阶段SegNeXt-ResNet18模型有效地对GIST进行自动细分和风险分层.
• 该模型表现出优异的细分和分类性能,为临床应用提供了一个有前途的工具.