在使用深度转移学习的异质计算机断层扫描图像中自动检测和细分宫淋巴结.
Wenjun Liao1, Xiangde Luo2, Lu Li1
1Department of Radiation Oncology, Sichuan Cancer Hospital and Institute, Sichuan Cancer Center, Cancer Hospital Affiliate to School of Medicine, University of Electronic Science and Technology of China, Chengdu, 610041, China.
Scientific reports
|February 5, 2025
概括
开发了一种深度学习模型,用于CT扫描中自动检测和细分部淋巴结. 这种人工智能工具有望通过准确识别和概述淋巴结来协助瘤学家,从而减少手工工作量.
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:
- 精确的部淋巴结 (LNs) 检测和细分对于头癌的分期和治疗计划至关重要.
- 在计算机断层扫描 (CT) 图像中手动细分LNs是耗时的,并且受观察者之间的变化影响.
研究的目的:
- 开发和验证一种深度学习模型,用于通过转移学习在CT图像中自动检测和细分部LNs.
- 评估模型在内部和外部验证队伍中的表现.
主要方法:
- 使用nnUNet深度学习模型,在大型头部和部数据集上进行预训练,并为LN检测和细分进行微调.
- 在四家医院训练并验证了该模型,使用了来自626名头癌患者的11,013名注释LN的数据集.
- 通过灵敏度,正预测值 (PPV) 和每体积假阳性率 (FP/体积) 评估检测;通过子相似系数 (DSC) 和豪斯多夫距离第95百分位数 (HD95) 评估细分.
主要成果:
- 该模型在内部测试队列中获得了54.6%的灵敏度和69.0%的PPV,在内部测试队列中达到3.4FP/vol.
- 外部验证显示,在不同的队列中,灵敏度从45.7%到63.5%不等.
- 细分性能显示平均DSC为0.72-0.74和平均HD95为2.73-3.78毫米,与经验丰富的瘤学家相比.
结论:
- 开发的深度学习模型显示了CT图像中自动部LN检测和细分的巨大潜力.
- 该模型的性能在不同的数据集中是稳定的,与人类专家可比.
- 这种人工智能工具可以简化瘤学家的工作流程,减少适应性放射治疗期间手动细分的负担.
