基于深度学习的肺癌自动检测和细分在CT上

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:

• 精确的肺瘤检测和CT扫描的细分对于癌症管理至关重要.
• 手动划分是耗时的,容易引起医生之间的差异.

研究的目的:

• 开发和评估一个集体深度学习模型,用于CT扫描的肺瘤自动识别和细分.

主要方法:

• 基于3D U-Net的多分辨率图像组合模型被训练在1,504个CT扫描和放射治疗细分数据上.
• 在使用灵敏度,特异性和子相似系数 (DSC) 的内部和外部测试集上评估了性能.

主要成果:

• 该模型在瘤检测中实现了92%的灵敏度和82%的特异性.
• 在模型和医生细分之间观察到0.77的DSC中位数,相当于医生间的变化率 (0.80).
• 自动细分比手动划分 (166.1-187.7s) 快得多 (平均76.6s).

结论:

• 常规收集的放射治疗数据有效地训练了深度学习模型.
• 3D U-Net 整体模型证明了肺瘤细分的强大性能和通用性.