甲状腺组学：基于甲状腺扫描图像的分割与分类自动化管道
摘要
本研究的目标是开发一个自动化管道，提高使用甲状腺扫描图像的甲状腺疾病分类 accuracy，旨在减少评估时间并提高诊断 accuracy。收集并分类了来自 2643 名患者的前腹甲状腺扫描图像，根据临床报告分为弥散性大腺囊肿 (DG)、多结节性大腺囊肿 (MNG) 和甲状腺炎 (TH)，随后由专家进行分割。训练 ResUNet 模型进行自动分割。从医生（情景 1）和 ResUNet 分割（情景 2）中提取放射组学特征，随后使用斯皮尔曼相关系数删除高度相关特征，并使用带有 XGBoost 核心的递归特征消除 (RFE) 进行特征选择。所有模型均在leave-one-center-out 交叉验证 (LOCOCV) 方案下训练，其中九个算法实例被依次训练和验证于八个中心的数据，并在第九个中心上测试，分别针对两个情景。分割性能采用 Dice 相似系数 (DSC) 评估，而分类性能采用精确率、召回率、F1 分数、准确率、受试者运行特征曲线下面积 (ROC AUC) 以及精确召回曲线下面积 (PRC AUC) 等指标评估。ResUNet 在 MNG、TH 和 DG 上的 DSC 分别为 0.84±0.03、0.71±0.06 和 0.86±0.02。情景 1 的分类在准确率为 0.76±0.04、ROC AUC 为 0.92±0.02，而情景 2 的分类准确率为 0.74±0.05、ROC AUC 为 0.90±0.02。该自动化管道在多个分类指标上表现出与医生分割相当，有效减少了评估时间，同时保持了高水平的诊断 accuracy。代码地址：https://github.com/ahxmeds/thyroidiomics.git。
引用
@article{arxiv.2407.10336,
title = {Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images},
author = {Maziar Sabouri and Shadab Ahamed and Azin Asadzadeh and Atlas Haddadi Avval and Soroush Bagheri and Mohsen Arabi and Seyed Rasoul Zakavi and Emran Askari and Ali Rasouli and Atena Aghaee and Mohaddese Sehati and Fereshteh Yousefirizi and Carlos Uribe and Ghasem Hajianfar and Habib Zaidi and Arman Rahmim},
journal= {arXiv preprint arXiv:2407.10336},
year = {2024}
}
备注
7 pages, 4 figures, 2 tables