一个基于卷积神经网络的计算机辅助诊断 (CAD) 系统,用于从2D[18F]-PET/CT图像进行肺癌诊断

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:

• 精确的肺部疾病分类对于有效治疗至关重要.
• 区分正常的肺,非小细胞肺癌 (NSCLC) 和小细胞肺癌 (SCLC) 是一个诊断挑战.
• 深度学习为医学诊断中的自动化图像分析提供了潜力.

研究的目的:

• 开发和评估一个深度学习模型,用于肺部疾病的自动分类.
• 使用 [18F] FDG PET/CT 图像将肺部疾病分为正常,NSCLC和SCLC.
• 为了比较定制CNN (Res-SE Net) 与预先训练的模型的性能.

主要方法:

• 146名患者的PET/CT扫描 (1974年的扫描) 的回顾分析.
• 开发一个定制的卷积神经网络 (CNN),命名为Res-SE Net,包含剩余和挤压激发模块.
• 利用基于患者的数据分割,扫描级培训/验证,以多数投票进行患者级评估,以及用于可视化的Grad-CAM.

主要成果:

• 定制的Res-SE Net在NSCLC检测方面实现了高精度 (91.67%) 和灵敏度 (92.00%).
• Res-SE Net在SCLC区分方面显示了90.14%的准确性和90.00%的灵敏性.
• 在外部数据集上,该模型在二元分类 (正常与癌症) 中实现了98.00%的准确性.

结论:

• Res-SE Net架构显示了精确的多类肺癌分类的巨大潜力.
• 深度学习模型可以有效地利用 [18F] FDG PET/CT成像用于肺部疾病诊断.
• 进一步验证可能会导致改进的自动肺癌诊断工具.