基于图神经网络关系学习的肿瘤学影像中淋巴结大体肿瘤体积检测

确定 GTV$_{LN}$（淋巴结大体肿瘤体积）的扩散范围，对于许多癌症外科手术和放疗下游流程中定义相应的切除或照射区域至关重要。与更常见的肿大淋巴结（LN）不同，GTV$_{LN}$ 还包括较小的淋巴结，只要其伴有高正电子发射断层扫描信号和/或 CT 中的任何转移征象。这是一项艰巨的任务。在本工作中，我们提出一个统一的淋巴结外观与淋巴结间关系学习框架来检测真正的 GTV$_{LN}$。其动机来自先前的临床知识：淋巴结构成相连的淋巴系统，且癌细胞在淋巴结间的扩散常遵循特定通路。具体而言，我们首先利用带 ROI 池化的三维卷积神经网络提取 GTV$_{LN}$ 的实例级外观特征。接下来，我们引入图神经网络进一步建模淋巴结间关系，其中全局淋巴结-肿瘤空间先验被纳入学习过程。这形成了一个端到端可训练网络，通过分类来检测 GTV$_{LN}$。我们在由初步第一阶段方法生成的一组 GTV$_{LN}$ 候选上运行模型，该方法灵敏度 $>85\%$，但代价是高假阳性（FP）（每位患者 $>15$ 个 FP）。我们在一个包含 142 例配对 PET/RTCT 扫描（涵盖胸部和上腹部体部）的放疗数据集上验证我们的方法。所提方法在 F1 分数以及每位患者 $2, 3, 4, 6$ 个 FP 下的平均灵敏度值上，分别比最先进的（SOTA）淋巴结分类方法显著提升了 $5.5\%$ 和 $13.1\%$。