基于深度学习的副神经节瘤自动分割用于生长监测
计算机视觉与模式识别
2024-04-12 v1 机器学习
摘要
副神经节瘤（一种罕见的神经内分泌肿瘤，通常沿头颈部区域的主要血管和神经通路形成）的体积测量对于长期监测和建模肿瘤生长至关重要。然而在临床实践中，使用现有工具进行这些测量非常耗时，且受到肿瘤形状假设和观察者间变异的影响。生长建模可以在解决长达数十年的困境（源于肿瘤随时间发展的不确定性）中发挥重要作用。通过对副神经节瘤患者进行治疗，可以预防严重症状。然而，对实际上并不需要治疗的患者进行治疗，会以不必要的潜在副作用和并发症为代价。改进的测量技术能够利用大量肿瘤体积数据开展生长模型研究，可能为这些肿瘤随时间的生长方式提供有价值的见解。因此，我们提出了一种基于深度学习分割模型no-new-UNet（nnUNet）的自动肿瘤体积测量方法。我们通过将模型输出与手动勾画进行比较，基于资深耳鼻喉科医生的视觉检查和若干定量指标评估了模型性能，包括与多名观察者手动勾画变异性的比较。我们的研究结果表明，该自动方法的性能（至少）与手动勾画相当。最后，利用所创建的模型以及我们提出的随时间追踪肿瘤的链接程序，我们展示了额外的体积测量如何影响已知生长函数的拟合。
引用
@article{arxiv.2404.07952,
title = {Deep learning-based auto-segmentation of paraganglioma for growth monitoring},
author = {E. M. C. Sijben and J. C. Jansen and M. de Ridder and P. A. N. Bosman and T. Alderliesten},
journal= {arXiv preprint arXiv:2404.07952},
year = {2024}
}