在CT图像中使用深度学习进行自动瘤细分:多阶段方法
Hung-Cheng Kan1, Geng-Ming Fan2, Ming-Hao Wei3
1In-Service Master Program in Artificial Intelligence in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan (H.-C.K., S.-J.P.); Division of Urology, Department of Surgery, Linkou Chang Gung Memorial Hospital, Taoyuan, Taiwan (H.-C.K., P-H.L., I.-H.S., K.-J.Y., S.-T.P., T.W.); College of Medicine, Chang Gung University, Taoyuan, Taiwan (H.-C.K., P-H.L., I.-H.S., K.-J.Y., S.-T.P., T.W.).
Academic radiology
|September 4, 2025
概括
这项研究引入了DeepMedic自动化3D卷积神经网络,用于CT扫描中细分脏和瘤. 人工智能模型提供了准确和可重现的结果,提高了瘤诊断效率.
科学领域:
- 医学成像
- 放射学中的人工智能
- 癌症学
背景情况:
- 计算机断层扫描 (CT) 对于瘤评估至关重要,但手动细分是耗时且可变的.
- 准确的瘤划线对于诊断,治疗计划和预后至关重要.
- 由于瘤异质性和不清晰的边缘,目前的方法面临挑战.
研究的目的:
- 开发和验证使用CT图像对脏和脏瘤进行完全自动化的细分管道.
- 解决对可靠,准确和可重复的自动分段工具的临床需求.
- 提高瘤诊断工作流程.
主要方法:
- 开发一个DeepMedic 3D卷积神经网络,用于多尺度的特征提取.
- 培训和评估382个对比增强CT扫描与医生注释.
- 实现图像预处理 (Hounsfield单位转换,窗口,3D重建,重新采样) 和后处理.
主要成果:
- 在细分方面的高性能:子系数93.82%,精度94.86%,回忆率93.66%.
- 精确的瘤细分:子系数为88. 19%,精度为90. 36%,回忆率为88. 23%.
- 视觉验证证实了自动细分的临床相关性和准确性.
结论:
- 基于DeepMedic的框架提供了基于CT扫描的脏和脏瘤的强大和准确细分.
- 这种自动化工具可以实时应用,提高诊断效率.
- 这项技术可以在瘤治疗中的治疗规划和患者管理中发挥重要作用.


