开发基于机器学习的子宫肿瘤影像临床决策支持工具
图像与视频处理
2023-08-22 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
子宫平滑肌肉瘤（LMS）是一种罕见但具侵袭性的恶性肿瘤。在影像上，很难将 LMS 与例如变性平滑肌瘤（LM）（一种常见但良性的病变）区分开来。我们整理了一个包含来自 110 名患者（平均[范围]年龄=45[17-81]岁）的 115 张轴位 T2 加权 MRI 图像的数据集，这些子宫肿瘤（UTs）包含五种不同的肿瘤类型。这些数据按肿瘤体积分层随机划分为训练集（n=85）和测试集（n=30）。独立的第二名阅片者（阅片者 2）为所有测试集图像提供了手动分割。为实现分割自动化，我们应用了 nnU-Net，并通过随机生成含 25、45、65 和 85 张训练集图像的子集来探索训练集大小对性能的影响。我们评估了放射组学特征单独区分 UT 类型的能力，以及通过特征选择和机器学习组合后的区分能力。使用完整训练集时，测得纤维瘤的均值[95% CI] DSC 为 0.87[0.59-1.00]，两名阅片者在测试集上的一致性为 0.89[0.77-1.0]。在将变性 LM 与 LMS 分类时，我们取得了 0.80 的测试集 F1 分数。基于放射组学特征对 UTs 分类，我们确定了在测试集上良性 vs 恶性和变性 LM vs LMS 任务中分别取得 0.53[0.45, 0.61] 和 0.80[0.80, 0.80] F1 分数的分类器。我们表明，使用少于 150 张标注图像即可开发接近人类水平的子宫及 UT 三维分割自动化方法。对于 UT 类型的区分，虽然我们训练的模型值得用更多数据进一步研究，但可靠的 UT 自动区分仍是一项挑战。
引用
@article{arxiv.2308.10372,
title = {Developing a Machine Learning-Based Clinical Decision Support Tool for Uterine Tumor Imaging},
author = {Darryl E. Wright and Adriana V. Gregory and Deema Anaam and Sepideh Yadollahi and Sumana Ramanathan and Kafayat A. Oyemade and Reem Alsibai and Heather Holmes and Harrison Gottlich and Cherie-Akilah G. Browne and Sarah L. Cohen Rassier and Isabel Green and Elizabeth A. Stewart and Hiroaki Takahashi and Bohyun Kim and Shannon Laughlin-Tommaso and Timothy L. Kline},
journal= {arXiv preprint arXiv:2308.10372},
year = {2023}
}