基于计算机断层扫描图像的肝细胞癌和转移的自动诊断
Vincent-Béni Sèna Zossou1,2,3,4, Freddy Houéhanou Rodrigue Gnangnon5, Olivier Biaou6,7
1Université Paris-Saclay, UVSQ, Univ. Paris-Sud, CESP, Équipe Radiation Epidemiology, 94805, Villejuif, France. vincent.zossou@gustaveroussy.fr.
Journal of imaging informatics in medicine
|September 3, 2024
概括
这项研究引入了使用卷积神经网络 (CNN) 检测肝癌的自动化系统. 在CT扫描中,AI系统准确地将肝细胞癌 (HCC) 和转移与健康的肝组织区分开来.
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:
- 肝癌的诊断依赖于CT图像分析,但由于类似的组织强度,区分肝细胞癌 (HCC) 和转移是具有挑战性的.
- 准确区分肝癌对于有效的患者管理和预防策略至关重要.
研究的目的:
- 开发使用卷积神经网络 (CNN) 的自动化系统,以提高检测HCC,转移和健康肝脏组织的诊断准确性.
- 整合自动细分和分类,以实现全面的诊断方法.
主要方法:
- 一个残留注意力U-Net模型被用于自动肝损伤细分.
- 使用9层CNN分类器进行病变分类,使用组合的细分结果和原始CT图像.
- 该系统在300名患者的数据集上进行了训练和测试,具有针对细分和分类验证的特定子集.
主要成果:
- 在测试阶段,自动化系统在细分方面获得了平均Dice分数,并在分类方面获得了平均准确性.
- 该细分模型是使用223名患者开发的,并对77名患者进行了测试.
- 该分类模型在77名患者身上进行了测试,其中包括20名HCC患者,27名转移患者和30名健康患者.
结论:
- 拟议的自动化系统在协助放射科医生准确诊断肝癌方面具有重大潜力.
- 这项初步研究强调了基于CNN的方法在区分HCC和转移性肝病变之间的有效性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:47Non-Invasive PET/MR Imaging in an Orthotopic Mouse Model of Hepatocellular Carcinoma
Published on: August 31, 2022
2.2K
