使用ConvNeXtv2的骨瘤自动细分和源预测基于融合的面具R-CNN识别肺癌转移
Ketong Zhao1,2, Ping Dai1, Ping Xiao3
1Health Management Center, Shenzhen University General Hospital, Shenzhen University, Shenzhen 518055, Guangdong Province, China.
Journal of bone oncology
|October 21, 2024
概括
这项研究开发了一种先进的3D Mask R-CNN模型,配有ConvNeXt-V2骨干,用于准确检测和细分肺癌骨转移. 该模型表现出高性能,有助于个性化癌症治疗计划.
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:
- 肺癌是全球癌症死亡的主要原因之一.
- 肺癌造成的骨转移严重影响患者的生活质量和治疗的复杂性.
- 准确检测和细分骨瘤对于有效的患者管理至关重要.
研究的目的:
- 开发和验证一个先进的3D Mask R-CNN模型,用于自动骨瘤细分.
- 用深度学习方法识别肺癌转移到骨的情况.
- 支持临床瘤学的个性化治疗规划.
主要方法:
- 使用一个 3D Mask R-CNN 模型与一个 ConvNeXt-V2 骨干集成.
- 从两个医院采用高分辨率CT扫描 (1毫米切片厚) 来进行培训和外部验证.
- 手动细分和兴趣区域 (ROI) 的放射学验证.
主要成果:
- 该模型在对细分的外部验证集上获得0.849的子相似系数 (DSC).
- 在测试组中,对于骨瘤细分的高灵敏度 (0.911) 和特异性 (0.931) 已实现.
- 在测试组上,在分类中表现出强的表现,曲线下的面积 (AUC) 为0.842.
结论:
- 开发的3D Mask R-CNN模型显示了精确的骨瘤细分和肺癌转移检测的巨大潜力.
- 这种人工智能驱动的方法可以增强诊断工作流程,并为个性化治疗策略做出贡献.
- 进一步验证和整合到临床实践中可以改善瘤学患者的治疗结果.
