无监督的非小细胞肺癌瘤细分使用循环生成对抗网络与基于相似性的歧视因子
Chengyijue Fang1, Xiaoyang Li2, Yidong Yang1,2
1Department of Engineering and Applied Physics, University of Science and Technology of China, Hefei, Anhui, China.
Journal of applied clinical medical physics
|April 23, 2025
概括
这项研究介绍了smic-GAN,这是一种用于肺瘤细分的无监督深度学习方法,与没有手动注释的监督方法相匹配. 这减少了数据准备工作量,并有助于未来的监督网络培训.
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:
- 精确的瘤细分对于肺部疾病的诊断和治疗至关重要.
- 当前的深度学习方法通常需要大量的手动注释,增加准备工作量.
研究的目的:
- 开发一个无监督的瘤细分网络,smic-GAN,使用类似驱动的生成对抗网络与循环策略.
- 消除手动注释的需要,从而减少数据准备工作.
主要方法:
- 在504个肺癌CT扫描上开发和训练smic-GAN,以生成无瘤合成图像.
- 通过从原始CT片中减去合成图像来获得剩余图像.
- 应用值,3D中位过和形态操作来创建二进制瘤面具.
主要成果:
- smic-GAN的表现与监督方法 (UNet,Incre-MRRN) 相当,并且表现优于无监督循环GAN.
- 实现了74.5%±11.2%的子相似性,明显优于循环-GAN (69.1%±16.0%).
- 报告的正预测值 (PPV) 和豪斯多夫距离 (HD95) 与监督方法相竞争.
结论:
- smic-GAN的性能与肺瘤细分的监督方法相提并论.
- 无监督性大大减少了用于培训数据准备的手动注释工作量.
- 该方法可以作为在监督网络培训中手动注释的宝贵初步步骤.
