在腹部CT扫描中深度学习细分ascites用于自动体积定量自动体积定量

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:

• 是肝硬化和卵巢癌患者的常见并发症.
• 准确量化炎体积对于治疗规划和监测至关重要.
• 目前用于估计炎体积的方法可能是耗时和主观的.

研究的目的:

• 评估自动深度学习 (DL) 方法用于检测和量化瘤体积的性能.
• 用CT扫描评估DL模型在肝硬化和卵巢癌患者中的准确性.

主要方法:

• 一项回顾性研究,利用两个机构 (NIH和UofW) 的腹腔盆腔CT扫描.
• 在癌症基因组图集卵巢癌数据集上训练了一种DL模型,并在内部 (NIH-LC,NIH-OV) 和外部 (UofW-LC) 数据集上进行了测试.
• 使用Dice系数和中位体体积估计误差来测量性能,与专家放射科医生的评估进行比较.

主要成果:

• 该DL模型获得了高的子得分 (NIH-LC的0.855±0.061,NIH-OV的0.826±0.153,UofW-LC的0.830±0.107).
• 中位数的体积估计误差很低 (NIH-LC为19.6%,NIH-OV为5.3%,UofW-LC为9.7%).
• 该模型与专家评估有很强的一致性 (r2值为0.79,0.98和0.97).

结论:

• 自动化的深度学习方法有效地细分和量化.
• 该DL模型显示高准确性和一致性与专家评估.
• 这种自动化方法有潜力改善临床工作流程,以管理炎.