Core Concepts
Ein Convolutional Neural Network wurde entwickelt, um axiale PET/CT-Schichten automatisch in solche mit und ohne Tumoren zu klassifizieren, um die Segmentierung von Lymphomtumoren zu verbessern.
Abstract
In dieser Studie wurde ein binärer Klassifikationsalgorithmus auf Basis eines ResNet-18-Netzwerks entwickelt und trainiert, um axiale PET/CT-Schichten von Lymphompatienten in solche mit und ohne Tumoren zu klassifizieren.
Der Datensatz bestand aus Bildern von zwei Kliniken in Kanada und Südkorea. Es wurden verschiedene Trainings- und Teststrategien untersucht, um die Generalisierbarkeit des Modells zu verbessern. Dabei zeigte sich, dass eine patientenbasierte Aufteilung in Train- und Testdaten wichtig ist, um eine Überschätzung der Leistung zu vermeiden.
Die besten Modelle wurden auf der Grundlage von AUROC und AUPRC-Werten identifiziert. Diese Modelle zeigten eine hohe Spezifität, konnten aber die Sensitivität für Schichten mit Tumoren niedriger Intensität (SUVmax) verbessern. Insgesamt konnte gezeigt werden, dass der entwickelte Klassifikationsalgorithmus ein wichtiger Schritt zur Automatisierung der Tumoranalyse in PET/CT-Bildern von Lymphompatienten ist.
Stats
Die durchschnittliche maximale SUV der Tumoren im BCCV-Datensatz betrug etwa 48.
Die durchschnittliche Gesamttumorvolumenmenge (TMTV) im BCCV-Datensatz betrug 119,25 ml, im SMHS-Datensatz 488,43 ml.
Quotes
"Automated slice classification has clinical value since it can be incorporated into medical image segmentation workflows as a preprocessing step that would flag the slices with a higher probability of containing tumors, thereby directing the physician's attention to the important slices."
"We observe and describe a performance overestimation in the case of slice-level split as compared to the patient-level split training."