基于跟踪式三维超声与深度神经网络的甲状腺分割减少甲状腺体积测量中的观察者间变异性
计算机视觉与模式识别
2022-10-12 v1 机器学习
声音
音频与语音处理
摘要
背景：甲状腺体积测量在甲状腺疾病的诊断、治疗和监测中至关重要。然而，使用二维超声的传统甲状腺体积测量高度依赖操作者。本研究比较了二维超声和结合基于深度神经网络的自动甲状腺分割的跟踪式三维超声在观察者间和观察者内变异性、耗时及准确性方面的表现。体积参考标准为MRI。方法：对28名健康志愿者进行二维和三维超声以及MRI扫描。三位经验水平不同（6年、4年和1年）的医师（MD 1、2、3）对每位志愿者各进行三次二维超声和三次跟踪式三维超声扫描。在二维扫描中，使用椭球公式计算甲状腺叶体积。卷积深度神经网络（CNN）自动分割三维甲状腺叶。在MRI（T1 VIBE序列）上，由一位经验丰富的医师手动分割甲状腺。结果：训练后的CNN获得了0.94的Dice系数。比较两位医师的观察者间变异性显示，二维和三维的平均差异分别为0.58 ml与0.52 ml（MD1 vs. 2）、-1.33 ml与-0.17 ml（MD1 vs. 3）以及-1.89 ml与-0.70 ml（MD2 vs. 3）。配对样本t检验显示，二维超声在两项比较中存在显著差异，而三维超声则无。观察者内变异性在二维和三维超声中相似。通过配对样本t检验比较超声体积与MRI体积，显示所有医师的二维体积测量均存在显著差异，而三维超声无显著差异。三维超声的采集时间显著更短。结论：跟踪式三维超声结合CNN分割显著降低了甲状腺体积测量中的观察者间变异性，提高了测量准确性，并缩短了采集时间。
引用
@article{arxiv.2108.10118,
title = {Tracked 3D Ultrasound and Deep Neural Network-based Thyroid Segmentation reduce Interobserver Variability in Thyroid Volumetry},
author = {Markus Krönke and Christine Eilers and Desislava Dimova and Melanie Köhler and Gabriel Buschner and Lilit Mirzojan and Lemonia Konstantinidou and Marcus R. Makowski and James Nagarajah and Nassir Navab and Wolfgang Weber and Thomas Wendler},
journal= {arXiv preprint arXiv:2108.10118},
year = {2022}
}
备注
7 figures, 19 pages, under review