从CT研究中基于人工智能的狗肝焦点病变的自动细分

科学领域:

• 动物医学
• 医学成像
• 人工智能

背景情况:

• 肝脏质量在狗中很常见,治疗依赖于准确的细分计划.
• 通过手术切除是标准的, 但化学疗法是使用当质量是不可操作的.
• 精确的病变细分对于有效的治疗策略至关重要.

研究的目的:

• 开发和评估用于自动细分犬肝脏质量的深度学习算法.
• 提高肝脏瘤识别的准确性和效率.

主要方法:

• 使用nnUNet v2框架开发了一个深度学习算法.
• 该算法在130个狗CT病例中进行了训练,并进行了手动的病变细分.
• 该模型在45个额外的狗CT病例中进行了测试.

主要成果:

• 该算法获得了高准确度,平均子得分为0.86.
• 平均对称表面距离 (ASSD) 为2. 70毫米,表明精确的细分.
• 深度学习模型显示了临床应用的巨大潜力.

结论:

• 本研究介绍了首个基于深度学习的算法,用于CT上自动细分狗肝脏质量.
• 该算法在兽医临床实践中具有很高的准确性和潜在实用性.
• 这项技术可以改善狗肝瘤的治疗计划.