用于肺癌筛查的可复现且可解释的毛刺量化方法

Wookjin Choi; Saad Nadeem; Sadegh Riyahi; Joseph O. Deasy; Allen Tannenbaum; Wei Lu

用于肺癌筛查的可复现且可解释的毛刺量化方法

计算机视觉与模式识别 2020-10-16 v3

作者: Wookjin Choi , Saad Nadeem , Sadegh Riyahi , Joseph O. Deasy , Allen Tannenbaum , Wei Lu

摘要

毛刺是肺癌恶性程度的重要预测因子,即肺结节表面的棘状突起。在本研究中,我们提出了一种可解释且无参数的技术,利用保角(保角)球面参数化获得的面畸变度量来量化毛刺。我们利用了如下见解:对于给定的结节的保角球面映射,相应的负面积畸变精确地刻画了该结节上的毛刺。我们基于面积畸变度量和毛刺测度引入了新颖的毛刺评分。我们还半自动分割肺结节(以保证可复现性)以及血管和胸壁附着,以将真实毛刺与分叶和附着区分开。我们还引入了一个简单的病理恶性预测模型。我们使用公开可用的LIDC-IDRI数据集的病理学家(强标签)和放射科医生(弱标签)评分来训练并测试包含该特征的影像组学模型,随后对模型进行外部验证。在811个弱标签LIDC数据集上训练、并在72个强标签LIDC和73个LUNGx数据集上测试的模型分别取得了AUC $=$ 0.80和0.76;此前LUNGx的最佳模型AUC $=$ 0.68。毛刺数量特征被发现与放射科医生的毛刺评分高度相关(Spearman秩相关系数 $\rho = 0.44$ )。我们开发了一种可复现、可解释且无参数的结节毛刺量化技术。该毛刺量化测度随后被应用于影像组学框架中,结合可复现的半自动结节分割进行病理恶性预测。利用我们的可解释特征(大小、附着、毛刺、分叶),我们取得了优于先前模型的性能。

关键词

毛刺量化肺癌筛查保角球面参数化影像组学 LIDC-IDRI 恶性预测

引用

@article{arxiv.1808.08307,
  title  = {Reproducible and Interpretable Spiculation Quantification for Lung Cancer Screening},
  author = {Wookjin Choi and Saad Nadeem and Sadegh Riyahi and Joseph O. Deasy and Allen Tannenbaum and Wei Lu},
  journal= {arXiv preprint arXiv:1808.08307},
  year   = {2020}
}

备注

Computer Methods and Programs in Biomedicine (Journal Extension of MICCAI ShapeMI 2018 Workshop paper). **First two authors contributed equally to this work

用于肺癌筛查的可复现且可解释的毛刺量化方法

摘要

关键词

引用

备注

相关论文