肺癌查分类通过顺序多实例学习 (SMILE) 框架与多个CT扫描

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:

• 通过计算机断层扫描 (CT) 查肺癌,通过早期检测肺结节,提高了存活率.
• 序列CT扫描对于评估结节恶性病变和改善肺癌检测至关重要.
• 需要对多个CT图像准确的分类算法,理想情况下不需要放射科医生注释结节位置.

研究的目的:

• 提出顺序多实例学习 (SMILE) 框架,用于使用多次CT扫描预测高风险肺癌患者.
• 开发一种有效的肺癌分类算法,可以在多个图像上运行,没有结节位置注释.
• 通过自动化连续CT扫描分析以预测肺癌来减少放射科医生的负担.

主要方法:

• 微笑框架涉及两个主要步骤:使用检测算法生成结节实例和图像类别转换,然后进行结节恶性瘤预测.
• 多实例学习与融合框架内的时间特征提取相结合,以提高分类性能.
• 该方法使用5倍交叉验证对925名患者 (182名恶性,743名良性) 的数据集进行了评估,每个患者接受了大约一年间隔的三次CT扫描.

主要成果:

• 拟议的SMILE框架在预测顺序CT扫描的肺癌风险方面表现有效.
• 该方法成功地使用患者级别的注释预测了结节恶性瘤,而不需要精确的结节位置数据.
• 实验结果验证了SMILE在简化放射科医生的分析过程方面的潜力.

结论:

• 顺序多实例学习 (SMILE) 框架为从多个CT扫描中进行肺癌分类提供了一个有希望的方法.
• 微笑有效地利用时间信息和多实例学习来提高诊断准确度,而无需手动的结节注释.
• 这一框架有潜力在早期肺癌检测和患者风险分层方面显著帮助放射科医生.