使用深度学习与影像组学技术检测胰周水肿
图像与视频处理
2024-04-29 v1 计算机视觉与模式识别
摘要
识别胰周水肿是判断疾病进展与预后的关键指标，这凸显了在胰腺炎诊断与管理中准确检测与评估的迫切需求。本研究引入了一个源自 255 名胰腺疾病患者的新型 CT 数据集，包含标注的胰腺分割掩膜及相应的胰周水肿诊断标签。利用该新型数据集，我们首先评估了 LinTransUNet 模型（一种基于线性 Transformer 的分割算法）从 CT 影像数据中准确分割胰腺的有效性。随后，我们使用分割出的胰腺区域结合两种不同的机器学习分类器来识别胰周水肿的存在：基于深度学习的模型与基于影像组学的极限梯度提升（XGBoost）。LinTransUNet 取得了可喜的结果，Dice 系数为 80.85%，mIoU 为 68.73%。在用于胰周水肿检测的九个基准分类模型中，Swin-Tiny Transformer 模型表现出最高的召回率 和精确率 。相比之下，基于影像组学的 XGBoost 模型达到了 的准确率和 的召回率，鉴于其快速的处理速度与较短的训练时间，展示了其作为辅助诊断工具的潜力。我们的代码可在 \url{https://github.com/NUBagciLab/Peri-Pancreatic-Edema-Detection} 获取。
引用
@article{arxiv.2404.17064,
title = {Detection of Peri-Pancreatic Edema using Deep Learning and Radiomics Techniques},
author = {Ziliang Hong and Debesh Jha and Koushik Biswas and Zheyuan Zhang and Yury Velichko and Cemal Yazici and Temel Tirkes and Amir Borhani and Baris Turkbey and Alpay Medetalibeyoglu and Gorkem Durak and Ulas Bagci},
journal= {arXiv preprint arXiv:2404.17064},
year = {2024}
}