在接受手术切除的患者中,使用神经网络集团进行瘤细分,可视化和细分信心
Sophie Bachanek1, Paul Wuerzberg2, Lorenz Biggemann1
1Department of Clinical and Interventional Radiology, University Medical Center Goettingen, Goettingen, Germany.
European radiology
|August 23, 2024
概括
神经网络组合 (ENN) 模型在CT扫描上自动细分脏瘤,准确度高. 这项技术提供了信心测量和可视化,以帮助临床决策在瘤治疗规划.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 在瘤学瘤学.
背景情况:
- 在对比度增强的CT上精确细分固体瘤对于诊断和治疗规划至关重要.
- 手动细分是耗时的,并且受观察者之间的变化影响.
研究的目的:
- 开发和验证使用神经网络集群 (ENN) 的固体瘤自动细分模型.
- 为了可视化细分结果与相关的信心分数,以提高临床适用性.
主要方法:
- 开发ENN模型 (DeepLabV3) 用于对比度增强CTs上的自动瘤细分.
- 培训和内部验证使用来自两个高等教育中心的数据.
- 在公开可用的KiTS 2019数据集上进行独立测试.
- 使用DICE分数和使用平均前景的细分信心量化性能.
主要成果:
- 在内部测试数据集中,ENN模型实现了0.84的DICE中位数,在独立测试数据集中达到0.84的DICE中位数.
- 细分信心指标显示了高准确度 (AUC=0.89内部,准确度=0.84外部).
- 可视化包括彩色编码的瘤概率和临床CT图像上叠加的值.
结论:
- 基于ENN的瘤细分是强大的,在外部数据集上表现良好.
- 开发的模型可以帮助脏瘤的分类和治疗计划.
- 信心测量和可视化可以促进自动化细分的临床实施.
