深度学习用于肝细胞癌的自动细分,在对比增强的CT扫描中进行深度学习

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 放射学和诊断成像技术 放射学和诊断成像技术

背景情况:

• 肝癌,特别是肝细胞癌 (HCC),是癌症死亡的主要原因.
• 计算机断层扫描 (CT) 对于诊断肝脏瘤至关重要,需要专家放射科医生进行准确的解释.
• 来自CT图像的自动肝脏瘤细分可以帮助诊断和治疗规划,但由于瘤和成像的变化而面临挑战.

研究的目的:

• 评估CT图像中肝脏和瘤细分的最先进的细分架构.
• 在各种公共和专有数据集中比较模型性能,包括一个新的对比增强CT (CECT) 数据集.
• 特别关注肝细胞癌 (HCC) 的细分,以改善诊断支持.

主要方法:

• 对领先的基于AI的细分模型进行比较分析.
• 在多个数据集上的评估:肝癌细分 (LiTS),HCC-TACE-Seg,WAW-TACE,以及新推出的CECT数据集.
• 细分肝膜和肝内部瘤,重点是HCC.

主要成果:

• 在不同的数据集中评估了各种细分架构的性能指标.
• 该研究确定了不同模型在细分肝脏瘤的优点和弱点,包括HCC.
• 新的CECT数据集为在临床相关背景下评估模型提供了有价值的资源.

结论:

• 自动化细分模型在支持放射科医生进行肝脏瘤诊断和治疗规划方面表现有前途.
• 模型性能受到数据集特征和成像协议的影响,突出显示了对多样性评估的需要.
• 在自动化细分领域进行进一步的研究和开发对于推进HCC检测和管理至关重要.