在CT和MRI上使用深度学习进行软组织瘤的最小交互细分,使用深度学习
Douwe J Spaanderman1, Martijn P A Starmans2, Gonnie C M van Erp2
1Department of Radiology and Nuclear Medicine, Erasmus MC, Rotterdam, The Netherlands. d.spaanderman@erasmusmc.nl.
European radiology
|November 19, 2024
概括
这项研究介绍了一种快速,最小交互的深度学习方法,用于在CT和MRI扫描上对软组织瘤 (STT) 进行细分. 新方法显著减少了细分时间,同时保持了高准确性,改善了生物标志物分析的临床工作流程.
科学领域:
- 医学成像和放射学医学成像和放射学
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 软组织瘤 (STT) 的准确细分对于医学成像中的形态,体积和放射生物标志物提取至关重要.
- 手动细分虽然准确,但耗时且不适合常规临床使用.
- 现有的自动细分方法通常会产生低于最佳的性能,需要改进的自动化解决方案.
研究的目的:
- 为STT开发和评估一种基于深度学习的最小交互性细分技术.
- 该方法旨在提高CT和MRI模式的细分精度和效率.
主要方法:
- 一种新的交互式方法,需要最小的用户输入 (六个边界点) 来指导细分.
- 用户提供的点被转换为距离地图,并与图像一起用于卷积神经网络的输入.
- 在CT和T1权重的MRI中接受了大量的多中心数据集 (514名患者,9个STT表型,7个地点) 的培训和验证,并对各种STT表型和MRI序列 (T2权重FS) 进行了外部验证.
主要成果:
- 在内部验证中,通过0.85 ± 0.11 (CT) 和0.84 ± 0.12 (T1MRI) 的 Dice相似系数 (DSC) 实现了高细分精度.
- 在外部验证中证明了强大的泛化,DSC为0.81 ± 0.08 (CT),0.84 ± 0.09 (T1 MRI) 和0.88 ± 0.08 (T2加权的FS MRI).
- 与手动方法相比,显著减少了细分时间 (例如,T1MRI的258s与1895s) 具有精确的体积和直径测量.
结论:
- 最少的交互式深度学习方法有效地对CT和MRI的STT表型进行细分.
- 这种方法显示出强大的概括能力,用于未见的瘤类型和成像模式.
- 这种方法为瘤细分提供了临床相关的,快速的,半自动的解决方案,有可能增强生物标志物集成和像RECIST这样的测量.
