基于解剖学先验知识的深层学习肾上腺腺瘤CT分割研究
图像与视频处理
2025-07-28 v2 人工智能
计算机视觉与模式识别
摘要
准确分割腹部CT扫描中的胰腺瘤(PCC)对于肿瘤负荷估计、预后评估和治疗规划至关重要，也可帮助推断遗传簇，减少对高成本检测的依赖。本研究系统评估了解剖学先验知识，以识别能提高深层学习PCC分割的配置。我们采用nnU-Net框架评估了十一种标注策略，以实现对胰腺瘤的准确3D分割，引入一组基于器官特定解剖学先验知识的新型多类方案。这些先验知识来源于常位于肾上腺腺瘤周围的相邻器官(如肝脏、脾脏、肾脏、主动脉、肾上腺腺和胰腺)，并与先前工作中使用的广泛区域先验知识进行比较。该框架在NIH Clinical Center的91名患者105例对比增强CT扫描上进行训练和测试。性能通过Dice相似系数(DSC)、归一化表面距离(NSD)和实例F1得分进行衡量。在所有策略中，肿瘤+肾脏+主动脉(TKA)标注实现了最高的分割精度，显著优于先前使用的肿瘤+身体(TB)标注，在DSC(p=0.0097)、NSD(p=0.0110)和F1得分(以IoU阈值为0.5时提升25.84%)上。TKA模型还表现出优异的肿瘤负荷量化(R²=0.968)和所有遗传亚型的强分割。在五折交叉验证中，TKA在IoU阈值(0.1至0.5)范围内持续优于TB，强化了其稳健性和可泛化性。这些发现凸显了将相关解剖学背景纳入深度学习模型以实现精确PCC分割的价值，为PCC患者的临床评估和疾病监测铺路。
引用
@article{arxiv.2507.15193,
title = {A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT},
author = {Tanjin Taher Toma and Tejas Sudharshan Mathai and Bikash Santra and Pritam Mukherjee and Jianfei Liu and Wesley Jong and Darwish Alabyad and Vivek Batheja and Abhishek Jha and Mayank Patel and Darko Pucar and Jayadira del Rivero and Karel Pacak and Ronald M. Summers},
journal= {arXiv preprint arXiv:2507.15193},
year = {2025}
}