用于计算机断层扫描中胰腺导管腺癌检测的 fully automatic 深度学习框架
图像与视频处理
2022-01-14 v2 计算机视觉与模式识别
定量方法
摘要
早期检测可改善胰腺导管腺癌（PDAC）预后，但由于病灶在增强计算机断层扫描（CE-CT）上常较小且边界不清，检测具有挑战性。深度学习可促进PDAC诊断，但当前模型仍难以识别小（<2cm）病灶。本研究中，使用最先进的深度学习模型开发用于PDAC检测的自动框架，重点关注小病灶。此外，研究了整合周围解剖结构的影响。来自119名经病理证实PDAC患者队列和123名非PDAC患者队列的CE-CT扫描用于训练nnUnet以进行自动病灶检测与分割（nnUnet_T）。另训练两个nnUnet以研究解剖整合的影响：(1) 分割胰腺与肿瘤（nnUnet_TP），(2) 分割胰腺、肿瘤及多个周围解剖结构（nnUnet_MS）。使用外部公开测试集比较三个网络的性能。nnUnet_MS取得最佳性能，整个测试集受试者工作特征曲线下面积为0.91，肿瘤<2cm时为0.88，表明最先进深度学习可检测小PDAC并受益于解剖信息。
引用
@article{arxiv.2111.15409,
title = {Fully Automatic Deep Learning Framework for Pancreatic Ductal Adenocarcinoma Detection on Computed Tomography},
author = {Natália Alves and Megan Schuurmans and Geke Litjens and Joeran S. Bosma and John Hermans and Henkjan Huisman},
journal= {arXiv preprint arXiv:2111.15409},
year = {2022}
}