对于不确定性肺结节的深度学习分类最重要的LDCT图像生物标志物
Axel H Masquelin1, Nick Cheney2, Raúl San José Estépar3
1Electrical and Biomedical Engineering, University of Vermont, Burlington, VT, USA.
Cancer biomarkers : section A of Disease markers
|June 7, 2024
概括
对于肺癌检测的深度学习模型在分析整个计算机断层扫描 (CT) 扫描时表现最好,而不仅仅是结节或周围组织. 结节的纹理和形态特征是恶性瘤的关键指标.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习 (DL) 模型越来越多地用于医学应用,如肺癌诊断.
- 关于DL网络在CT扫描中用于肺癌识别的特定放射性特征的研究有限.
研究的目的:
- 系统地探索肺结节和周围的辅酶体区域对使用图像掩盖和突出地图的分类准确性的贡献.
- 确定影响DL模型性能的关键放射性特征,以区分恶性和良性肺结节.
主要方法:
- 利用来自国家肺部查试验 (NLST) 数据集的计算机断层扫描 (CT) 扫描,专注于固体肺结节.
- 创建了三种数据集:原始 (完整的CT扫描),仅帕伦基马 (结节被掩盖),仅瘤 (仅结节区域).
- 采用梯度加权类激活映射 (Grad-CAM) 来可视化网络关注,并分析节点大小和统计特征.
主要成果:
- 原始数据集实现了最高的性能 (AUC 80.80 ± 3.77%),超过了单独的Parenchyma (76.39 ± 3.16%) 和单独的瘤 (78.11 ± 4.32%) 数据集.
- 格拉德-CAM揭示了对于恶性疾病分类的注意力集中在结节和瘤-帕伦基马边界上,这种模式甚至在仅帕伦基马数据集中也是一致的.
- 恶性结节比良性结节 (12毫米) 大得多 (平均最大直径为23毫米),具有明显的纹理特征,如和.
结论:
- 深度学习模型在肺结节分类中的表现受结节的纹理特征 (kurtosis,,强度) 和形态特征 (球状,直径) 的影响.
- 与形态特征相比,纹理特征与恶性瘤的积极关联更强.
- 分析完整的CT扫描,包括结节和周围围膜,对于基于深度学习的最佳肺癌检测至关重要.
