放射学机器学习算法可以在CT上轻松检测胰腺小神经内分泌瘤
Felipe Lopez-Ramirez1, Sahar Soleimani1, Javad R Azadi1
1Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine, Baltimore, MD 21287, USA.
Diagnostic and interventional imaging
|September 15, 2024
概括
一个新的放射学算法在CT扫描上有效地识别小胰腺神经内分泌瘤 (PanNETs),通过机遇性查的自动细分显示一致的性能.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 胰腺神经内分泌瘤 (PanNETs) 是一种罕见的瘤.
- 早期发现小型泛网对于有效管理至关重要.
- 计算机断层扫描 (CT) 是用于PanNET检测的主要成像方式.
研究的目的:
- 开发和验证用于识别CT上的小型PanNETs的放射学算法.
- 用手动和自动图像分割来评估算法的稳定性.
- 探索泛网的自动选潜力.
主要方法:
- 从已确认泛网患者和健康对照患者的双相CT扫描的回顾性分析.
- 胰腺和瘤的手动和自动 (基于神经网络) 分段.
- 提取和选择1223个放射学特征.
- 培训和测试分类模型,与放射科医生进行性能比较.
主要成果:
- 在使用动脉相CT的测试组中,LightGBM放射学模型实现了90%的灵敏度和76%的特异性 (AUC0.87).
- 在自动化细分 (AUC 0.86) 的情况下,业绩保持强.
- 放射科医生实现了50%的灵敏度和100%的特异性.
结论:
- 放射学特征可以在CT上可靠地识别小的PanNET.
- 自动细分维护算法性能,使可行选.
- 放射学模型提供高灵敏度,补充放射学家的高特异性,以改善检测.
更多相关视频
06:24Dynamic Contrast Enhanced Magnetic Resonance Imaging of an Orthotopic Pancreatic Cancer Mouse Model
Published on: April 18, 2015
15.1K
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