评估基于深度学习的多个框架的定量性能和专家评价,用于基于计算机断层扫描的腹部器官自分离

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 计算病理学计算病理学

背景情况:

• 在CT图像中精确细分腹部器官对于瘤治疗规划和随访至关重要.
• 手动细分是耗时的,劳动密集型的,容易引起观察者之间的变化.
• 深度学习 (DL) 和自动机器学习 (AutoML) 为自动细分提供了有前途的解决方案.

研究的目的:

• 综合评估AutoML框架 (Auto3DSeg,nnU-Net) 与非AutoML最先进的框架 (SwinUNETR) 的性能.
• 为了比较不同细分框架的定量指标和定性临床可行性.

主要方法:

• 在122张腹部多器官分割 (AMOS) 挑战图像上培训了框架.
• 在72张验证图像上,使用子相似系数 (DSC),表面 DSC (sDSC) 和第 95 个百分位 Hausdorff 距离 (HD95) 评估了性能.
• 三名医生在一个盲目的评估中评估了30个自我轮病例的临床生存能力.

主要成果:

• 自动ML框架表现出卓越的性能:nnU-Net (DSC:0.924,sDSC:0.938,HD95:4.26) 和Auto3DSeg (DSC:0.902,sDSC:0.919,HD95:8.76) 这两种框架都表现出卓越的性能.
• 在SwinUNETR中,性能较低 (DSC: 0.837,sDSC: 0.844,HD95: 13.93).
• 自动ML方法在数量上更受欢迎,nnU-Net也显示出对Auto3DS的定性偏好,例如.

结论:

• 自动ML框架在CT图像中为腹部器官细分提供了显著的优势.
• 这些发现突显了AutoML在提高瘤学工作流程的效率和准确性的潜力.