基于深度学习的全身PET/CT转移性病变细分的不确定性量化

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 放射性药物 疗神学 放射性药物

背景情况:

• 深度学习模型对于自动化医学图像分析至关重要,但往往缺乏不确定性量化 (UQ).
• 确保模型输出的可靠性对于患者护理至关重要,特别是在复杂的任务中,如转移性病变细分.
• 现有的UQ方法在有效性上有所不同,对于特定任务的最佳选择仍然不清楚.

研究的目的:

• 对全身PET/CT转移性病变细分的常用UQ方法进行调查和比较.
• 为了评估概率,蒙特卡洛脱落,深层组合和测试时间增大 (TTA) 的性能.
• 确定最适合的UQ方法,以提高AI驱动的医疗图像分析在瘤学的可靠性.

主要方法:

• 使用了59个全身68Ga-DOTATATE PET/CT图像,这些图像来自转移性神经内分泌瘤患者.
• 通过五倍交叉验证训练了一个3D U-Net模型用于病变细分.
• 评估了四种UQ方法 (概率,蒙特卡洛脱落,深层组合,TTA) 基于图像退化检测,假阳性/负性识别和与性能指标的相关性.

主要成果:

• 测试时间增强 (TTA) 在检测所有大小的退化图像数据方面表现出卓越的性能.
• 所有的UQ方法在检测假阳性区域方面都表现出强的表现 (AUC为0.77-0.81).
• 在虚负区域恢复方面,TTA表现出色,与SUVtotal和Dice系数有很强的相关性,而概率率表现最差.

结论:

• 由于其有效性和效率,建议测试时间增大 (TTA) 作为转移性病变细分的优质UQ方法.
• 概率被发现是这个任务的最不有效的UQ方法.
• 该研究强调了对先进的UQ方法的关键需求,以确保医学成像中的深度学习模型的可靠性.