使用卷积神经网络在非对比CT上自动分割肾脏与囊性肾病变
图像与视频处理
2024-05-15 v1 计算机视觉与模式识别
摘要
目的：自动分割工具可用于快速准确地计算肾脏体积。此外，这些工具通过生成输入标签（例如用于图像配准算法），能够促进大规模基于图像的人工智能项目。先前的自动分割模型在很大程度上忽略了非对比计算机断层扫描（CT）成像。本研究旨在实现并训练一个深度学习（DL）模型，以从非对比CT扫描中分割肾脏与囊性肾病变。方法：在150例非对比腹部CT扫描上对肾脏与囊性肾病变进行手动分割。数据按80/20比例划分为训练集与测试集，并训练深度学习模型以分割肾脏与囊性肾病变。使用多种评分指标评估模型性能，包括 Dice 相似系数（DSC）、Jaccard 指数（JI）以及肾脏体积与病变体积的绝对误差和百分比误差。采用 Bland-Altman（B-A）分析比较手动与基于深度学习的肾脏体积。结果：深度学习模型的肾脏中位 DSC 为0.934，囊性肾病变中位 DSC 为0.711，研究中位总 DSC 为0.823。肾实质、囊性肾病变及总体的平均体积误差分别为0.9%、37.0%和2.2%。B-A分析表明，基于深度学习的体积倾向于大于手动体积，平均偏差为+3.0 ml（+/- 2 SD 为 +/- 50.2 ml）。结论：在非对比CT检查中训练用于分割肾脏与囊性肾病变的深度学习模型能够提供高度准确的分割，肾脏 Dice 相似系数中位数为0.934。关键词：深度学习；肾脏分割；人工智能；卷积神经网络。
引用
@article{arxiv.2405.08282,
title = {Automatic Segmentation of the Kidneys and Cystic Renal Lesions on Non-Contrast CT Using a Convolutional Neural Network},
author = {Lucas Aronson and Ruben Ngnitewe Massaa and Syed Jamal Safdar Gardezi and Andrew L. Wentland},
journal= {arXiv preprint arXiv:2405.08282},
year = {2024}
}