从头癌PET/CT图像中预测无分割结果:从多角度最大强度预测 (MA-MIPs) 中基于深度学习的特征提取

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 头癌 (HNC) 存活率分析通常依赖于PET/CT扫描的手动细分,这是耗时和主观的.
• 现有的方法需要精确划分瘤和淋巴结,引入可变性.

研究的目的:

• 开发一种简单,有效和无分割的深度学习方法,用于使用PET/CT图像在HNC患者中进行无复发生存分析.
• 通过消除手动细分步骤来提高HNC生存预测的可重现性和准确性.

主要方法:

• 利用深度学习从氧糖位子发射断层扫描 (FDG-PET) 图像中提取特征,并与多角度最大强度投影 (MA-MIPs) 结合.
• 在CT图像上使用物体检测模型进行头部和部区域的自动裁剪.
• 从切割的PET体积的MA-MIP中提取和合深度特征,使用预训练的卷积神经网络骨干.

主要成果:

• 与现有方法相比,在489名HNC患者的队列中,拟议的无细分方法在无复发生存分析中取得了更好的表现.
• 该方法通过消除手动兴趣区域细分的需要,证明了增强的可重复性.

结论:

• 开发的深度学习方法为从PET/CT图像中进行HNC存活分析提供了强大的和可重复的方法.
• 这种没有细分的策略简化了工作流程,减少了对主观解释的依赖,为更可靠的预后预测铺平了道路.