转移性肝脏的自动细分通过基于U-Net的程序
Camilla Tiraboschi1, Federica Parenti1, Fabio Sangalli2
1Department of Management, Information and Production Engineering, University of Bergamo, 24044 Dalmine, BG, Italy.
Cancers
|January 8, 2025
概括
研究人员开发了人工智能工具,在胰腺管道腺癌 (PDAC) 鼠标模型中自动细分肝转移. 这些神经网络准确量化肝脏参与,帮助临床和临床前研究.
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:
- 胰腺管道腺癌 (PDAC) 经常转移到肝脏,影响大约80%的患者.
- 准确量化肝转移负担对于PDAC的临床和临床前研究至关重要.
- 自动化图像细分工具可以显著提高这种量化的效率和可靠性.
研究的目的:
- 开发和评估用于量化PDAC肝转移的自动图像细分工具.
- 在微型CT图像中创建能够分割健康肝脏区域 (HL),转移性肝脏区域 (MLA) 和肝脏转移 (LM) 的神经网络.
主要方法:
- 开发基于U-net的三个神经网络,用于对HL,MLA和LM进行细分.
- 在图像预处理后,对每个细分任务进行培训和选择表现最佳的U-net.
- 将所选网络应用于从肝转移的PDAC小鼠模型中的微型CT图像.
主要成果:
- 选择的网络展示了高性能指标:准确性 (92.6% HL,88.6% MLA,91.5% LM),特异性 (95.5% HL,93.8% MLA,99.9% LM),子得分 (71.6% HL,74.4% MLA,29.9% LM) 和NPV (97.9% HL,91.5% MLA,91.5% LM).
- 开发的网络在试点验证集上取得了良好的表现.
- 肝转移 (LM) 的细分显示,与HL和MLA相比,Dice的得分较低.
结论:
- 开发的神经网络在PDAC小鼠模型中提供了肝转移的有效和自动细分.
- 这些工具在节省时间和可重复性方面为定量分析提供了显著的优势.
- 自动化细分方法支持PDAC研究和治疗评估的进步.
