3D-Morphomics：用于肺结节恶性诊断的 CT 扫描形态学特征
图像与视频处理
2022-07-29 v1 计算机视觉与模式识别
定量方法
摘要
病理学系统性地诱发形态学改变，从而提供主要却尚未充分量化的诊断观测来源。本研究基于计算机断层扫描（CT）体积上的形态学特征（3D-morphomics）开发病理状态的预测模型。我们开发了用于器官表面网格提取与简化的完整流程，并结合由平均曲率与网格能量分布给出的形态学特征自动提取。随后训练并测试 XGBoost 监督分类器于 3D-morphomics 上以预测病理状态。该框架应用于肺结节恶性预测。在经活检确认恶性的 NLST 数据库子集上，仅用 3D-morphomics，肺结节良恶性分类模型达到 0.964 的 AUC。另训练测试三组经典特征：（1）临床相关特征 AUC 为 0.58，（2）111 个放射组学特征 AUC 为 0.976，（3）含结节大小、衰减与毛刺定性标注的放射科医生真值（GT）AUC 为 0.979。我们亦测试 Brock 模型得 AUC 0.826。结合 3D-morphomics 与放射组学特征以 0.978 AUC 取得 SOTA 结果，其中 3D-morphomics 具若干最高预测力。作为对公开独立队列的验证，模型应用于 LIDC 数据集，3D-morphomics 达 AUC 0.906，3D-morphomics+放射组学达 AUC 0.958，在挑战赛中排名深度模型第二。其确立曲率分布为预测肺结节恶性的高效特征，以及一种可直接用于任意计算机辅助诊断任务的新方法。
引用
@article{arxiv.2207.13830,
title = {3D-Morphomics, Morphological Features on CT scans for lung nodule malignancy diagnosis},
author = {Elias Munoz and Pierre Baudot and Van-Khoa Le and Charles Voyton and Benjamin Renoust and Danny Francis and Vladimir Groza and Jean-Christophe Brisset and Ezequiel Geremia and Antoine Iannessi and Yan Liu and Benoit Huet},
journal= {arXiv preprint arXiv:2207.13830},
year = {2022}
}
备注
10 pages, 7 figures