Baidu
map

INVEST RADIO:深度学习算法,实现在CT图像上小肾癌的全自动检测!

2022-07-15 shaosai MedSci原创

近年来,基于如卷积神经网络(CNN)等深度学习算法已被开发并评估用于各种器官的肿瘤检测。

肾细胞癌(RCC)约占全球癌症诊断的2%,其中大多数RCC病例是在接受腹部计算机断层扫描(CT)检查的无症状者中偶然发现的。

根治性肾切除术是RCC最常见的治疗方法,然而对于患有慢性肾脏疾病和心血管疾病的患者来说应慎重选择。因此,从更好的肿瘤学结果和保留肾功能的角度来看,包括腹腔镜肾切除术和机器人辅助肾切除术在内的肾部分切除术(PN)已成为T1a期(直径≤4厘米)RCC的标准治疗方法。与其他更晚期的RCC相比,T1a期的RCC更经常选择肾部分切除术。此外,射频消融或冷冻消融等局部治疗是小RCC(≤3厘米)患者的重要术式选择之一

近年来,基于如卷积神经网络(CNN)深度学习算法已被开发并评估用于各种器官的肿瘤检测。一些研究报告了使用对比增强CT(CECT)图像对肾脏肿块进行自动分割和检测的可行性

近日,发表在INVEST RADIO杂志的一项研究开发并评估了一种利用CECT检查数据全自动检测小RCC(≤4厘米)的深度学习算法,为临床术前准确、快速的评估RCC提供来了技术支持。

本研究回顾性地选择了2005年1月至2020年5月期间日本医学图像数据库中7个中心的组织学证实的单一RCC患者的增强CT图像,每位患者的肿瘤直径均在4厘米或以下。来自6个中心的总共453名患者被选为数据集A,来自1个中心的132名患者被选为数据集B。数据集A被用于训练和内部验证。数据集B仅用于外部验证。使用了多期CT的肾相图像或单期强化后CT图像。本研究的算法包括2个步骤的分割模型,肾脏分割和肿瘤分割。对于数据集A的内部验证,采用了10倍的交叉验证。对于外部验证,用数据集A训练的模型在数据集B上进行了测试。 

数据集A和数据集B中RCCs的平均±SD直径分别为2.67±0.77厘米和2.64±0.78厘米。本研究的算法在数据集A中的准确性、敏感性和特异性分别为88.3%、84.3%和92.3%,在数据集B中的准确性、敏感性和特异性分别为87.5%、84.8%和90.2%,算法在数据集A和数据集B的AUC分别为0.930和0.933。 


 使用本研究提出的算法检测RCC的真阳性示例。蓝色区域表示人工分割和肿瘤分割模型的注释区域。(a) 透明细胞RCC(1.5厘米)。(b) 嗜铬细胞RCC(2.5厘米)。(c) 乳头状RCC(2.9厘米)

本研究显示了基于深度学习的算法在从CECT图像检测小型RCC方面的潜力。这种完全自动化的算法在检测及诊断小RCC方面具有明显优势,将帮协助临床制定更佳的治疗方法,从而提高患者的预后。

原文出处:

Naoki Toda,Masahiro Hashimoto,Yuki Arita,et al.Deep Learning Algorithm for Fully Automated Detection of Small (≤4 cm) Renal Cell Carcinoma in Contrast-Enhanced Computed Tomography Using a Multicenter Database.DOI:10.1097/RLI.0000000000000842

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2051816, encodeId=550b205181602, content=<a href='/topic/show?id=95f8e042dd' target=_blank style='color:#2F92EE;'>#EST#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=65, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=7042, encryptionId=95f8e042dd, topicName=EST)], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=e9a6357, createdName=xiangyuzhou971, createdTime=Sat Feb 18 17:26:42 CST 2023, time=2023-02-18, status=1, ipAttribution=)]

相关资讯

Radiology:如何同时提高小儿CT图像质量并降低辐射剂量?人工智能给了我们答案

在CT中,图像质量的提高和辐射剂量的降低的是一个固有的对抗过程,降低辐射剂量往往以牺牲图像质量为代价。

European Radiology:深度学习算法在胰腺DECT扫描中的应用

由胰腺期(PP)和门静脉期(PVP)组成的多期胰腺CT扫描是胰腺癌(PC)的首选筛查及随访影像学手段。PP可以看到血管、胰腺周围动脉以及其受累情况。

Radiology:深度学习算法在胸部CT肺间质性疾病诊断中的应用

间质性肺病(ILD)包括一大部分异质性肺部疾病,该类疾病在临床表现和肺部影像学表现模式上有一定重叠。高分辨率CT是诊断ILD的首选影像学手段。然而,在CT上对ILD进行影像学评估需要较多经验和专业知识

JAMA Cardiol:人工智能超声来了,超声科医生地位不保?

近年来,人工智能(AI)已被应用于医学影像分析,但是AI指导超声图像的采集仍是一个新颖的研究领域。

Baidu
map
Baidu
map
Baidu
map