在使用深度学习的内支气管超声波 (EBUS) 图像中,中支气管淋巴结和血管的自动细分使用深度学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肺部病理学 肺部病理学

背景情况:

• 胸腔内膜超声波 (EBUS) 对于最小侵入性胸腔淋巴结采样至关重要.
• 在肺癌分期中,准确评估中骨结构至关重要,但由于解剖学变异和主观图像解释而受到阻碍.
• 目前的方法在EBUS成像中对淋巴结和血管的一致和精确识别方面面临挑战.

研究的目的:

• 开发和评估一种基于U-Net架构的新方法,用于在EBUS图像中自动检测和细分中枢淋巴结和血管.
• 在EBUS指导的程序中提高图像分析的准确性和效率.
• 通过增强关键解剖结构的可视化,提供一种协助肺癌分期的工具.

主要方法:

• 一个新的U-Net架构被用于图像细分.
• 来自40名患者的1161张EBUS图像的数据集被注释用于培训,验证和测试.
• 性能使用Dice相似系数,精度,灵敏度,特异性和F1得分以及处理时间来评估.

主要成果:

• 基于U-Net的方法实现了为淋巴结的0.71±0.35和为血管的0.76±0.38的Dice相似系数.
• 观察到高精度 (0.82 ± 0.22对于容器) 和特异性 (0.99 ± 0.01对于容器).
• 该系统的平均处理和细分时间为每张图像55±1毫秒,可实现实时分析.

结论:

• 开发的基于U-Net架构的方法 (EBUS-AI) 在EBUS图像中有效地自动检测和细分中枢淋巴结和血管.
• 该方法是准确的,可行的,快速的,支持实时在程序期间的自动标签.
• 这种人工智能驱动的工具有可能提高肺癌分期和EBUS指导干预的准确性和效率.