在治疗后CT图像中细分脏剥离区域的注意力驱动框架:迈向剥离边际评估的一步

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:

• 热除是小细胞癌的关键治疗方法.
• 在稳定后CT扫描中准确评估治疗边际对于评估成功至关重要.
• 错误地识别了废弃率,可能会导致不理想的治疗和不必要的程序.

研究的目的:

• 开发和评估深度学习工作流程,以在CT图像中精确细分脏剥离区 (RAZ).
• 为了提高治疗边际评估在细胞癌的热除疗法的准确性.
• 为更好的临床评估提供RAZ自动划分工具.

主要方法:

• 基于注意力的U-Net深度学习架构用于RAZ细分.
• 该模型在76名患者注释CT图像的数据集上进行了训练和验证.
• 工作流程的设计旨在加强对相关图像特征的关注,以实现准确的细分.

主要成果:

• 拟议的深度学习工作流实现了高精度 (0.97 ± 0.02) 和特异性 (0.99 ± 0.01).
• 关键的细分指标包括精度 (0.74 ± 0.23),回忆 (0.73 ± 0.25),DSC (0.70 ± 0.22) 和贾卡德指数 (0.58 ± 0.22).
• 该模型表明,豪斯多夫距离为6.70 ± 4.44毫米,平均绝对边界距离为2.67 ± 2.22毫米.

结论:

• 开发的深度学习框架有效地在3D CT图像中对RAZ进行细分,这是这个领域的一个新应用.
• 该工具可自动确定废除边际,促进快速的临床审查,预测时间约为每名患者1秒.
• 这种自动化细分解决方案在临床上已经准备好,特别有利于时间敏感的治疗评估场景.