相关实验视频
Updated: May 20, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
335
使用人工智能的胰腺细分是在最大的CT数据集上开发的,具有多机构验证和对早期癌症检测的影响
Sovanlal Mukherjee1, Ajith Antony1, Nandakumar G Patnam1
1Department of Radiology, Mayo Clinic, 200 First Street SW, Rochester, MN, 55905, USA.
Scientific reports
|May 16, 2025
概括
一个新的深度学习模型以高精度自动化胰腺细分. 这一进展对于早期发现胰腺癌和发现胰腺疾病的生物标志物至关重要.
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:
- 精确的胰腺细分对于识别胰腺癌和了解胰腺疾病至关重要.
- 当前的细分方法可能是耗时和主观的.
研究的目的:
- 开发和评估一个深度学习 (DL) 模型,用于完全自动化的胰腺细分.
- 建立一个可扩展和通用化的解决方案,用于临床翻译和研究.
主要方法:
- 基于nnU-Net框架的3D卷积神经网络 (CNN) 在一个大型单一机构数据集 (n=3031 CT) 上受训.
- 该模型在外部多机构数据集 (AbdomenCT-1K,n=585) 上进行了验证.
- 放射科医生生成的细分为培训和验证提供了基本真相.
主要成果:
- 在内部测试组中,DL模型实现了0.94 (SD 0.05) 的平均子相似系数 (DSC).
- 对 AbdomenCT-1K 数据集的外部验证结果为 0.96 的 DSC (SD 0.04).
- 与放射科医生注释的高度一致性得到证实 (CCC:0.95内部,0.98外部).
结论:
- 拟议的DL模型为自动胰腺细分设定了新的性能基准.
- 这种自动化方法为大规模成像生物标志物研究提供了强大的和可通用的解决方案.
- 这些发现支持DL用于胰腺疾病诊断和研究的临床翻译.
