在正子发射断层扫描-计算机断层扫描成像中完全自动地对肺结节进行分类,使用双阶段多式学习方法

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:

• 肺结节是肺癌的关键指标,需要早期检测以改善患者的生存率.
• 目前在PET/CT扫描中肺结节的计算机辅助诊断方法仅限于结节级分析.
• 在PET/CT成像中对肺结节进行全面的评估需要一个完全自动化的分类框架.

研究的目的:

• 开发一个全自动化的,双阶段的多式学习框架,用于PET/CT成像中的肺结节分类.
• 超越结节层分析,进行更具临床相关性的诊断.
• 通过先进的成像技术,加强对肺结节的全面评估.

主要方法:

• 为在PET/CT数据中诊断肺结节而开发了一种两阶段的多式学习框架.
• 第一个阶段涉及使用预训练的U-Net和PET/CT注册的肺膜细分.
• 第二阶段使用3D Inception-ResNet与卷积块注意模块和密度投票融合用于特征提取和识别.

主要成果:

• 拟议的模型在临床数据上实现了高性能,准确率为89.98%,精度为89.21%,回忆率为84.75%.
• 具体性达到93.38%,F1得分为86.83%,曲线下的面积为0.9227.
• 这些结果证明了自动化框架在诊断肺结节的有效性.

结论:

• 提出了一种新的两阶段多式学习方法,用于在PET/CT扫描中自动诊断肺结节.
• 该研究确定了结节的非单独性质是模型性能的一个关键限制.
• 未来的研究应该专注于解决结节的特征,以进一步提高诊断准确度.