从多组18F-FDG PET图像分割中自动量化乳腺癌生物标志物
计算机视觉与模式识别
2025-02-07 v1 人工智能
摘要
腹透综合治疗(NAC)已成为乳腺癌肿瘤缩小的标准临床实践，采用18F-FDG正电子断层扫描(PET)。我们的工作旨在利用PET成像对乳腺病灶进行分割。重点是开发一个自动系统，准确分割主要肿瘤区域并从这些区域提取关键生物标志物，以提供关于乳腺癌在首次NAC后演变的见解。获取了243例基线18F-FDG PET扫描(PET_Bl)和180例随访18F-FDG PET扫描(PET_Fu)，分别用于NAC前后。首先，开发了一种基于深度学习的乳腺肿瘤分割方法。对最优的基线模型(在基线检查上训练的模型)进行微调，使用主动学习适应分割PET_Fu中的肿瘤区域。该管道计算生物标志物，如最大标准摄取值(SUVmax)、代谢肿瘤体积(MTV)和总肿瘤糖�ification(TLG)，以评估PET_Fu与PET_Bl之间的肿瘤演变。采用了质量控制措施以排除异常离群值。nnUNet深度学习模型在PET_Bl上的肿瘤分割性能优异，Dice相似系数(DSC)为0.89，豪斯dorff距离(HD)为3.52 mm。微调后，该模型在PET_Fu检查上实现了DSC为0.78，HD为4.95 mm。生物标志物分析显示，无论是哪种生物标志物，手动分割与自动预测区域之间都存在非常强的相关性。SUVmax、MTV和TLG的显著平均下降分别为5.22、11.79 cm3和19.23 cm3。该方法展示了一个用于从18F-FDG PET中乳腺肿瘤分割的自动化系统。通过提取的生物标志物，该方法实现了对癌症进展的自动评估。
引用
@article{arxiv.2502.04083,
title = {Automatic quantification of breast cancer biomarkers from multiple 18F-FDG PET image segmentation},
author = {Tewele W. Tareke and Neree Payan and Alexandre Cochet and Laurent Arnould and Benoit Presles and Jean-Marc Vrigneaud and Fabrice Meriaudeau and Alain Lalande},
journal= {arXiv preprint arXiv:2502.04083},
year = {2025}
}
备注
Submit soon to EJNMMI Research