基于深度学习的腹部CT扫描腹水分割与自动体积量化
图像与视频处理
2024-06-25 v1 计算机视觉与模式识别
摘要
目的：评估一种自动化深度学习方法在检测腹水并随后量化肝硬化及卵巢癌患者腹水体积方面的性能。材料与方法：这项回顾性研究纳入了来自两个机构（美国国立卫生研究院和威斯康星大学）的肝硬化腹水患者和卵巢癌患者的增强与非增强腹盆腔CT扫描。该模型基于癌症基因组图谱卵巢癌数据集（平均年龄60岁，标准差11岁；143名女性）进行训练，并在两个内部数据集（NIH-LC和NIH-OV）和一个外部数据集（UofW-LC）上进行了测试。其性能通过Dice系数、标准差和95%置信区间来衡量，重点关注腹腔内腹水体积。结果：在NIH-LC数据集（25名患者；平均年龄59岁，标准差14岁；14名男性）和NIH-OV数据集（166名患者；平均年龄65岁，标准差9岁；全部女性）上，模型取得的Dice分数分别为0.855±0.061（置信区间：0.831-0.878）和0.826±0.153（置信区间：0.764-0.887），中位体积估计误差分别为19.6%（四分位距：13.2-29.0）和5.3%（四分位距：2.4-9.7）。在UofW-LC数据集（124名患者；平均年龄46岁，标准差12岁；73名女性）上，模型的Dice分数为0.830±0.107（置信区间：0.798-0.863），中位体积估计误差为9.7%（四分位距：4.5-15.1）。该模型与专家评估结果显示出高度一致性，在三个测试集上的r²值分别为0.79、0.98和0.97。结论：所提出的深度学习方法在分割和量化腹水体积方面表现良好，与放射科专家评估结果一致。
引用
@article{arxiv.2406.15979,
title = {Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification},
author = {Benjamin Hou and Sung-Won Lee and Jung-Min Lee and Christopher Koh and Jing Xiao and Perry J. Pickhardt and Ronald M. Summers},
journal= {arXiv preprint arXiv:2406.15979},
year = {2024}
}