在CT中使用噪音数据检测薄弱监督的染细胞瘤和偏角细胞瘤

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 乳红细胞瘤和帕拉根瘤 (PPGLs) 是一种具有转移潜力的罕见瘤.
• 准确地定位和监测PPGL对于患者管理至关重要,通常依靠CT成像.
• 在CT扫描上手动注释PPGL是耗时且具有挑战性的,因为瘤的变异性.

研究的目的:

• 开发和评估一种自动化方法,使用细分方法检测CT图像中的PPGL.
• 为了减少放射科医生的手工工作量,在患者访问中跟踪PPGL.
• 为了比较自动PPGL检测的2D和3DnnUNet模型的性能.

主要方法:

• 利用来自2D边界框的弱3D注释来训练2D和3DnnUNet模型.
• 采用代理分段任务用于自动检测PPGL.
• 在255名确诊PPGL患者的内部数据集上评估模型,用53个CT卷的测试集.

主要成果:

• 3D nnUNet模型在测试组件上实现了70%的检测精度和64.1%的灵敏度.
• 3D模型显著优于2D nnUNet模型 (精度为52.7%,灵敏度为27.5%,p<0.05).
• SDHx和零星遗传集群显示出最高的检测精度 (分别为73.1%和72.7%).

结论:

• 使用3D nnUNet模型自动检测PPGL是一种有前途的方法来协助放射科医生.
• 拟议的方法可能会简化PPGL的监测,特别是对于特定的遗传亚型.
• 进一步发展自动检测具有改善PPGL等罕见瘤管理的潜力.