用于多中心淋巴瘤数据集轴向 PET/CT 切片自动分类的切片分类神经网络
图像与视频处理
2024-03-13 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
自动切片分类具有临床相关性，因为它可以作为预处理步骤整合到医学图像分割工作流中，标记出含有肿瘤概率较高的切片，从而引导医生关注重要切片。在本工作中，我们训练了一个 ResNet-18 网络，根据淋巴瘤 PET/CT 图像（收集自两个机构）的轴向切片是否在 3D 图像中截获了肿瘤（阳性切片）或未截获（阴性切片）对其进行分类。网络的各种实例是在以不同方式创建的 2D 轴向数据集上训练的：(i) 切片级划分和 (ii) 患者级划分；使用了不同类型的输入：(i) 仅 PET 切片和 (ii) 连接的 PET 和 CT 切片；并采用了不同的训练策略：(i) 中心感知（CAW）和 (ii) 中心无关（CAG）。使用受试者工作特征曲线下面积（AUROC）和精确率 - 召回率曲线下面积（AUPRC）以及各种二分类指标比较了模型性能。我们观察并描述了与患者级划分训练相比，切片级划分情况下的性能高估。在大多数指标上，使用患者级划分数据训练、网络输入仅包含 PET 切片且在 CAG 训练体制下的模型表现/泛化最佳。我们还使用各自测试集中阳性切片的灵敏度指标对我们的模型进行了更紧密的比较。
引用
@article{arxiv.2403.07105,
title = {A slice classification neural network for automated classification of axial PET/CT slices from a multi-centric lymphoma dataset},
author = {Shadab Ahamed and Yixi Xu and Ingrid Bloise and Joo H. O and Carlos F. Uribe and Rahul Dodhia and Juan L. Ferres and Arman Rahmim},
journal= {arXiv preprint arXiv:2403.07105},
year = {2024}
}
备注
10 pages, 6 figures, 2 tables