লিম্ফোমা ক্ষত সনাক্ত এবং পরিমাপ করার জন্য গভীর নিউরাল নেটওয়ার্ক: বিমূর্ত এবং ভূমিকা

লিঙ্কের টেবিল

• বিমূর্ত এবং ভূমিকা
• সম্পর্কিত কাজ
• উপকরণ এবং পদ্ধতিসমূহ
• ফলাফল
• আলোচনা
• উপসংহার এবং রেফারেন্স

বিমূর্ত

এই গবেষণাটি পিইটি/সিটি ছবি থেকে লিম্ফোমা ক্ষত বিভাজনের জন্য চারটি নিউরাল নেটওয়ার্ক আর্কিটেকচারের (UNet, SegResNet, DynUNet, এবং SwinUNETR) ব্যাপক মূল্যায়ন করে। এই নেটওয়ার্কগুলিকে প্রশিক্ষিত, বৈধ করা হয়েছে এবং 611 টি ক্ষেত্রে বিভিন্ন, বহু-প্রাতিষ্ঠানিক ডেটাসেটে পরীক্ষা করা হয়েছে। অভ্যন্তরীণ পরীক্ষা (88 কেস; মোট বিপাকীয় টিউমার ভলিউম (TMTV) পরিসর [0.52, 2300] মিলি) 0.76 এর মধ্যক ডাইস সাদৃশ্য সহগ (DSC) এবং 4.55 ml-এর মধ্যক মিথ্যা পজিটিভ ভলিউম (FPV) সহ শীর্ষ পারফর্মার হিসাবে SegResNet কে দেখানো হয়েছে; সমস্ত নেটওয়ার্কের একটি মিডিয়ান মিথ্যা নেতিবাচক ভলিউম (FNV) ছিল 0 মিলি। অদেখা বাহ্যিক পরীক্ষার সেটে (TMTV রেঞ্জ সহ 145টি ক্ষেত্রে: [0.10, 2480] ml), SegResNet 0.68 এর সেরা মধ্যবর্তী DSC এবং 21.46 ml FPV অর্জন করেছে, যেখানে UNet-এর সেরা FNV ছিল 0.41 ml। আমরা ছয়টি ক্ষত ব্যবস্থার পুনরুত্পাদনযোগ্যতা মূল্যায়ন করেছি, তাদের পূর্বাভাস ত্রুটিগুলি গণনা করেছি এবং এই ক্ষত ব্যবস্থাগুলির সাথে সম্পর্কিত ডিএসসি কর্মক্ষমতা পরীক্ষা করেছি, বিভাজন নির্ভুলতা এবং ক্লিনিকাল প্রাসঙ্গিকতার অন্তর্দৃষ্টি প্রদান করে। অতিরিক্তভাবে, আমরা তিনটি ক্ষত সনাক্তকরণের মানদণ্ড প্রবর্তন করেছি, ক্ষত সনাক্তকরণ, তাদের গণনা এবং বিপাকীয় বৈশিষ্ট্যের উপর ভিত্তি করে বিভাজন করার জন্য ক্লিনিকাল প্রয়োজনকে সম্বোধন করে। আমরা আরও স্থিতিস্থাপক সেগমেন্টেশন অ্যালগরিদমগুলির বিকাশে সহায়তা করার জন্য "সহজ" বনাম "হার্ড" ক্ষেত্রে ভাগ করার চ্যালেঞ্জগুলিকে প্রকাশ করে বিশেষজ্ঞ আন্তঃ-পর্যবেক্ষক পরিবর্তনশীলতা বিশ্লেষণও করেছি। অবশেষে, আমরা আন্তঃ-পর্যবেক্ষক চুক্তি মূল্যায়ন সম্পাদন করেছি যা একাধিক বিশেষজ্ঞ টীকাকারকে জড়িত একটি প্রমিত গ্রাউন্ড ট্রুথ সেগমেন্টেশন প্রোটোকলের গুরুত্বকে আন্ডারস্কোর করে। কোড এখানে উপলব্ধ: https://github.com/microsoft/lymphoma-segmentationdnn ।

সূচকের শর্তাবলী — পজিট্রন এমিশন টমোগ্রাফি, কম্পিউটেড টমোগ্রাফি, ডিপ লার্নিং, সেগমেন্টেশন, ডিটেকশন, ক্ষত পরিমাপ, আন্তঃ-পর্যবেক্ষক পরিবর্তনশীলতা, আন্তঃ-পর্যবেক্ষক পরিবর্তনশীলতা

সূচনা

F LUORODEOXYGLUCOSE (18F-FDG) PET/CT ইমেজিং হল লিম্ফোমা রোগীদের যত্নের মান, সঠিক নির্ণয়, স্টেজিং এবং থেরাপি প্রতিক্রিয়া মূল্যায়ন প্রদান করে। যাইহোক, ঐতিহ্যগত গুণগত মূল্যায়ন, যেমন Deauville স্কোর [1], চিত্রের ব্যাখ্যায় পর্যবেক্ষকের বিষয়গততার কারণে পরিবর্তনশীলতা প্রবর্তন করতে পারে। পরিমাণগত PET বিশ্লেষণ ব্যবহার করে যা ক্ষত পরিমাপগুলিকে অন্তর্ভুক্ত করে যেমন গড় ক্ষত স্ট্যান্ডার্ডাইজড আপটেক ভ্যালু (SUVmean), টোটাল মেটাবলিক টিউমার ভলিউম (TMTV), এবং টোটাল লেসন গ্লাইকোলাইসিস (TLG) রোগীর ভবিষ্যদ্বাণী করার আমাদের ক্ষমতাকে আরও নির্ভরযোগ্য প্রগনোস্টিক সিদ্ধান্তের জন্য একটি প্রতিশ্রুতিশীল পথ সরবরাহ করে। বৃহত্তর নির্ভুলতা এবং আত্মবিশ্বাসের সাথে লিম্ফোমার ফলাফল [2]।

PET/CT ইমেজিং-এ পরিমাণগত মূল্যায়ন প্রায়শই ম্যানুয়াল ক্ষত বিভাজনের উপর নির্ভর করে, যা সময়সাপেক্ষ এবং আন্তঃ- এবং আন্তঃ-পর্যবেক্ষক পরিবর্তনশীলতার ঝুঁকিপূর্ণ। প্রথাগত থ্রেশহোল্ডিং-ভিত্তিক স্বয়ংক্রিয় কৌশলগুলি কম গ্রহণের রোগ মিস করতে পারে এবং রেডিওট্র্যাসারের শারীরবৃত্তীয় উচ্চ গ্রহণের অঞ্চলে মিথ্যা ইতিবাচক উত্পাদন করতে পারে। অতএব, গভীর শিক্ষা ক্ষত বিভাজন স্বয়ংক্রিয় করার প্রতিশ্রুতি দেয়, পরিবর্তনশীলতা হ্রাস করে, রোগীর থ্রুপুট বৃদ্ধি করে এবং সম্ভাব্য চ্যালেঞ্জিং ক্ষত সনাক্তকরণে সহায়তা করে [3]।

যদিও প্রতিশ্রুতিশীল, গভীর শিক্ষার পদ্ধতিগুলি তাদের নিজস্ব চ্যালেঞ্জগুলির মুখোমুখি হয়। কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর জন্য বড়, ভাল-টীকাযুক্ত ডেটাসেট প্রয়োজন যা প্রাপ্ত করা কঠিন হতে পারে। ছোট ডেটাসেটে প্রশিক্ষিত মডেলগুলি সাধারণীকরণযোগ্য নাও হতে পারে। অধিকন্তু, লিম্ফোমা ক্ষত আকার, আকৃতি এবং বিপাকীয় কার্যকলাপের মধ্যে উল্লেখযোগ্যভাবে পরিবর্তিত হয়, যা ভাল-সংজ্ঞায়িত পূর্বের অনুপস্থিতিতে গভীর নেটওয়ার্ক প্রশিক্ষণকে সঠিকভাবে চ্যালেঞ্জিং করে তোলে। গভীর শিক্ষার লক্ষ্য হল পর্যবেক্ষকের পরিবর্তনশীলতা হ্রাস করা, কিন্তু প্রশিক্ষণের জন্য ব্যবহৃত অসঙ্গত ম্যানুয়াল টীকা ত্রুটি স্থায়ী হতে পারে। পিইটি/সিটি পরিমাণগত বিশ্লেষণে এই পদ্ধতিগুলির সম্পূর্ণ সম্ভাবনাকে কাজে লাগানোর জন্য এই চ্যালেঞ্জগুলি বোঝা অত্যন্ত গুরুত্বপূর্ণ।