基于深度学习的淋巴结细分分析在全剂量和减少剂量的身体CT上

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 深度学习模型越来越多地用于医学图像分析.
• 精确的淋巴结 (LN) 检测和细分对于各种癌症的分期和治疗计划至关重要.
• 降低CT扫描中的辐射剂量是理想的,以尽量减少患者的风险.

研究的目的:

• 验证完全自动化的深度学习模型的性能,用于淋巴结 (LN) 检测和细分全剂量和模拟低剂量CT扫描.
• 评估模拟剂量降低对LN检测和细分的准确性的影响.
• 为了比较在不同剂量水平上训练的模型的性能.

主要方法:

• 两种3D nnU-Net模型在151名患者CT扫描数据集上进行了训练,其中包括15341个注释淋巴结 (LNs).
• 一个模型 (NoAugmentation) 仅在全剂量CT上接受训练,而另一个模型 (Augmentation) 则在全剂量CT和减少剂量的CT上接受训练 (模拟从75%降至5%).
• 在独立的内部和外部数据集上评估模型性能.

主要成果:

• 增强模型在全剂量CT上取得了高性能,灵敏度为84.6%,子相似系数 (DSC) 为0.83.
• 随着模拟剂量降低,性能下降,但增强模型始终优于NoAugmentation模型,特别是在较低剂量 (10%和5%).
• 在外部数据集上,增强模型实现了0.76.7的DSC.

结论:

• 由于CT辐射剂量较低,图像质量降低会对淋巴结 (LN) 划分产生负面影响.
• 在完全剂量和减少剂量的CT数据组合上训练的深度学习模型在剂量减少场景下显示出更好的稳定性和性能.
• 这些发现支持使用低剂量CT与先进的深度学习技术进行LN分析的可能性.