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.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Shadab Ahame... om arxiv.org 03-13-2024
https://arxiv.org/pdf/2403.07105.pdfDiepere vragen