基于深度学习的胰腺肿瘤分割模型在公开内镜超声数据集上的性能表现
计算机视觉与模式识别
2026-01-12 v1 人工智能
机器学习
摘要
背景：胰腺癌是最具侵袭性的癌症之一，生存率很低。内镜超声（EUS）是一种关键的诊断方式，但其有效性受到操作者主观性的限制。本研究评估了一种基于Vision Transformer的深度学习分割模型用于胰腺肿瘤的效果。方法：使用USFM框架和Vision Transformer骨干的分割模型，在17367张EUS图像（来自两个公开数据集）上进行了5折交叉验证的训练和验证。该模型在另一个公开数据集的350张EUS图像上进行了测试，这些图像由放射科医生手动分割。预处理包括灰度转换、裁剪和调整为512x512像素。评估指标包括Dice相似系数（DSC）、交并比（IoU）、灵敏度、特异性和准确率。结果：在5折交叉验证中，该模型达到了平均DSC为0.651 +/- 0.738，IoU为0.579 +/- 0.658，灵敏度为69.8%，特异性为98.8%，准确率为97.5%。对于外部验证集，该模型的DSC为0.657（95% CI: 0.634-0.769），IoU为0.614（95% CI: 0.590-0.689），灵敏度为71.8%，特异性为97.7%。结果具有一致性，但9.7%的病例出现了错误的多重预测。结论：基于视觉分割的模型在EUS图像中的胰腺肿瘤分割任务上表现出强大的性能。然而，数据集的异质性和有限的外部验证凸显了进一步优化、标准化和前瞻性研究的必要性。
引用
@article{arxiv.2601.05937,
title = {Performance of a Deep Learning-Based Segmentation Model for Pancreatic Tumors on Public Endoscopic Ultrasound Datasets},
author = {Pankaj Gupta and Priya Mudgil and Niharika Dutta and Kartik Bose and Nitish Kumar and Anupam Kumar and Jimil Shah and Vaneet Jearth and Jayanta Samanta and Vishal Sharma and Harshal Mandavdhare and Surinder Rana and Saroj K Sinha and Usha Dutta},
journal= {arXiv preprint arXiv:2601.05937},
year = {2026}
}