对基于深度学习的染细胞瘤细分在腹部CT中的解剖学先验的研究
ArXiv
|September 19, 2025
概括
结合脏和大动脉等解剖学背景,可以改善CT扫描中染细胞瘤 (PCC) 的深度学习细分. 这种增强的方法有助于瘤评估和患者监测.
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:
- 在腹部CT扫描中精确细分染细胞瘤 (PCC) 对患者管理至关重要.
- 当前的深度学习模型经常使用广泛的解剖学先验,可能会限制细分精度.
- 从成像中推断出基因亚型可以减少昂贵的分子测试的需要.
研究的目的:
- 系统地评估解剖学先验,以改善基于深度学习的PCC细分.
- 引入和评估使用器官特异性解剖学先验的新型多类注释方案.
- 为了比较不同注释策略的性能与一个标准的身体区域之前.
主要方法:
- 利用nnU-Net框架对105个对比度增强的腹部CT扫描进行PCC的3D细分.
- 开发并测试了11种注释策略,包括基于相邻器官 (如脏,大动脉) 的新型多类方案.
- 使用子相似系数 (DSC),规范表面距离 (NSD) 和F1分数在70-30列车测试分割上评估性能.
主要成果:
- 瘤+脏+大动脉 (TKA) 标注策略在DSC,NSD和F1分数中显著超过瘤+身体 (TB) 策略.
- 与结核病相比,TKA在0.5的IOU值下显示F1得分有25.84%的改善.
- 该TKA模型实现了优异的瘤负担量化 (R^2 = 0.968) 和跨基因亚型的强大的细分.
结论:
- 结合特定的解剖学上下文,如脏和大动脉,提高了基于深度学习的PCC细分精度.
- 与更广泛的方法相比,TKA注释策略为PCC细分提供了更精确和更具普遍性的工具.
- 这种方法支持改善临床评估,瘤负担估计和对染细胞瘤患者的纵向监测.
