基于PET/CT的卵巢癌的3D多类语义细分和提取的放射学特征的稳定性
Mohammad Hossein Sadeghi1, Sedigheh Sina2,3, Mehrosadat Alavi4
1Nuclear Engineering Department, School of Mechanical Engineering, Shiraz University, Shiraz, Iran.
Physical and engineering sciences in medicine
|September 23, 2024
概括
这项研究使用3D U-Net深度学习在PET/CT扫描中实现卵巢癌 (OC) 自动细分,提高诊断效率. 该模型实现了高精度和稳定的放射性特征,支持临床决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在PET/CT图像中精确细分卵巢癌 (OC) 病变对于疾病管理至关重要.
- 手动细分是耗时和劳动密集型的,阻碍了放射学分析.
研究的目的:
- 应用3D U-Net深度学习模型,在PET/CT图像中对OC进行多类语义细分.
- 为了评估从自动细分中提取的放射学特征的稳定性.
主要方法:
- 使用了来自39名OC患者的3120张PET/CT图像的数据集.
- 采用3D U-Net模型,与VGG16骨干,用于细分.
- 通过使用子得分,精度和回忆来评估细分性能.
主要成果:
- 在OC细分方面获得0.74的子得分,0.76的精度和0.78的回忆.
- 对于放射性特征的高稳定性证明:>85%的PET和>84%的CT特征的ICC>0.8.8.
- 3D U-Net 模型显示出显著的细分精度.
结论:
- 自动化的3D U-Net细分显著提高了OC诊断和治疗规划.
- 可靠的放射学特征支持AI在瘤学的临床应用.
- 这项研究提供了一种强大而有效的方法,用于在PET/CT图像中对OC病变进行细分.


