基于深度学习的腹腔癌指数区域CT成像分割
计算机视觉与模式识别
2026-05-01 v1 人工智能
摘要
腹腔转移灶目前通过诊断性腹腔镜手术评估Sugarbaker腹腔癌指数(sPCI)，该方法通过将腹部划分为13个区域并根据肿瘤大小对每个区域评分来工作。近期共识研究定义了3D区域以促进放射学PCI(rPCI)，提供用于影像学评估的标准解剖区域。尽管其临床价值，sPCI仍然侵入性且缺乏标准化的影像学对应物。在本研究中，我们提出了一种基于深度学习的ethods，用于自动分割CT上的rPCI区域。我们在62例具有rPCI区域手动注释的CT扫描上评估了nnU-Net和Swin UNETR，由三名临床研究员手动注释并由两名专家放射科医生验证。通过五折交叉验证评估性能，采用Dice相似系数(Dice)、95th百分位 Hausdorff距离和平均表面距离。nnU-Net实现的整体Dice为0.82，接近Interobserver一致性(0.88)，并优于Swin UNETR(0.76)，主要挑战仍在右腹股沟和小肠区域。这些结果表明了自动化rPCI分割的可行性，为非侵入性、基于影像的评估奠定了基础。
引用
@article{arxiv.2604.27697,
title = {Deep Learning-Based Segmentation of Peritoneal Cancer Index Regions from CT Imaging},
author = {Pieter C. Gort and Lotte J. S. Ewals and Marion W. Tops-Welten and Cris H. B. Claessens and Joost Nederend and Fons van der Sommen},
journal= {arXiv preprint arXiv:2604.27697},
year = {2026}
}
备注
Accepted for presentation at Computer Assisted Radiology and Surgery (CARS) 2026