Autor:  (1) Shadab Ahamed, University of British Columbia, Vancouver, BC, Kanada, BC Cancer Research Institute, Vancouver, BC, Kanada. Er war außerdem Mitacs Accelerate Fellow (Mai 2022 – April 2023) beim Microsoft AI for Good Lab, Redmond, WA, USA (E-Mail: shadabahamed1996@gmail.com);  (2) Yixi Xu, Microsoft AI for Good Lab, Redmond, WA, USA;  (3) Claire Gowdy, BC Children's Hospital, Vancouver, BC, Kanada;  (4) Joo H. O, St. Mary's Hospital, Seoul, Republik Korea;  (5) Ingrid Bloise, BC Cancer, Vancouver, BC, Kanada;  (6) Don Wilson, BC Cancer, Vancouver, BC, Kanada;  (7) Patrick Martineau, BC Cancer, Vancouver, BC, Kanada;  (8) Franc¸ois Benard, BC Cancer, Vancouver, BC, Kanada;  (9) Fereshteh Yousefirizi, BC Cancer Research Institute, Vancouver, BC, Kanada;  (10) Rahul Dodhia, Microsoft AI for Good Lab, Redmond, WA, USA;  (11) Juan M. Lavista, Microsoft AI for Good Lab, Redmond, WA, USA;  (12) William B. Weeks, Microsoft AI for Good Lab, Redmond, WA, USA;  (13) Carlos F. Uribe, BC Cancer Research Institute, Vancouver, BC, Kanada, und University of British Columbia, Vancouver, BC, Kanada;  (14) Arman Rahmim, BC Cancer Research Institute, Vancouver, BC, Kanada, und University of British Columbia, Vancouver, BC, Kanada.  Linktabelle   Zusammenfassung und Einleitung   Ähnliche Projekte   Materialen und Methoden   Ergebnisse   Diskussion   Schlussfolgerung und Referenzen   Abstrakt  Diese Studie führt eine umfassende Bewertung von vier neuronalen Netzwerkarchitekturen (UNet, SegResNet, DynUNet und SwinUNETR) für die Segmentierung von Lymphomläsionen anhand von PET/CT-Bildern durch. Diese Netzwerke wurden anhand eines vielfältigen, multiinstitutionellen Datensatzes von 611 Fällen trainiert, validiert und getestet. Interne Tests (88 Fälle; Bereich des gesamten metabolischen Tumorvolumens (TMTV) [0,52, 2300] ml) zeigten, dass SegResNet mit einem medianen Dice-Ähnlichkeitskoeffizienten (DSC) von 0,76 und einem medianen falsch-positiven Volumen (FPV) von 4,55 ml am besten abschneidet; alle Netzwerke hatten ein medianes falsch-negatives Volumen (FNV) von 0 ml. Im nicht sichtbaren externen Testsatz (145 Fälle mit TMTV-Bereich: [0,10, 2480] ml) erreichte SegResNet den besten medianen DSC von 0,68 und FPV von 21,46 ml, während UNet das beste FNV von 0,41 ml hatte. Wir haben die Reproduzierbarkeit von sechs Läsionsmessungen bewertet, ihre Vorhersagefehler berechnet und die DSC-Leistung in Bezug auf diese Läsionsmessungen untersucht, um Erkenntnisse zur Segmentierungsgenauigkeit und klinischen Relevanz zu gewinnen. Darüber hinaus haben wir drei Kriterien zur Läsionserkennung eingeführt, um dem klinischen Bedarf gerecht zu werden, Läsionen zu identifizieren, zu zählen und basierend auf Stoffwechseleigenschaften zu segmentieren. Wir haben auch eine Experten-Intra-Observer-Variabilitätsanalyse durchgeführt, die die Herausforderungen bei der Segmentierung von „einfachen“ gegenüber „schwierigen“ Fällen aufzeigte, um die Entwicklung robusterer Segmentierungsalgorithmen zu unterstützen. Schließlich haben wir eine Inter-Observer-Übereinstimmungsbewertung durchgeführt, die die Bedeutung eines standardisierten Ground-Truth-Segmentierungsprotokolls unter Einbeziehung mehrerer Experten-Annotatoren unterstreicht. Der Code ist verfügbar unter:   . https://github.com/microsoft/lymphoma-segmentationdnn    — Positronen-Emissions-Tomographie, Computertomographie, Deep Learning, Segmentierung, Erkennung, Läsionsmessungen, Intra-Observer-Variabilität, Inter-Observer-Variabilität Indexbegriffe  I. EINLEITUNG  F LUORODEOXYGLUCOSE (18F-FDG) PET/CT-Bildgebung ist der Behandlungsstandard für Lymphompatienten und ermöglicht genaue Diagnosen, Stadienbestimmung und Bewertung des Therapieerfolgs. Traditionelle qualitative Bewertungen wie Deauville-Scores [1] können jedoch aufgrund der Subjektivität des Beobachters bei der Bildinterpretation zu Variabilität führen. Die Verwendung einer quantitativen PET-Analyse, die Läsionsmaße wie den mittleren standardisierten Läsionsaufnahmewert (SUVmean), das gesamte metabolische Tumorvolumen (TMTV) und die gesamte Läsionsglykolyse (TLG) einbezieht, bietet einen vielversprechenden Weg zu zuverlässigeren Prognoseentscheidungen und verbessert unsere Fähigkeit, Patientenergebnisse bei Lymphomen mit größerer Präzision und Sicherheit vorherzusagen [2].  Die quantitative Beurteilung in der PET/CT-Bildgebung beruht häufig auf einer manuellen Läsionssegmentierung, die zeitaufwändig ist und anfällig für Intra- und Interobserver-Variabilitäten ist. Herkömmliche, auf Schwellenwerten basierende automatisierte Techniken können Erkrankungen mit geringer Aufnahme übersehen und in Regionen mit physiologisch hoher Aufnahme von Radiotracern falsch positive Ergebnisse liefern. Daher bietet Deep Learning vielversprechende Möglichkeiten zur Automatisierung der Läsionssegmentierung, zur Verringerung der Variabilität, zur Erhöhung des Patientendurchsatzes und möglicherweise zur Unterstützung der Erkennung schwieriger Läsionen [3].  Obwohl Deep-Learning-Methoden vielversprechend sind, stehen sie vor eigenen Herausforderungen. Convolutional Neural Networks (CNNs) erfordern große, gut annotierte Datensätze, die schwer zu erhalten sein können. An kleinen Datensätzen trainierte Modelle sind möglicherweise nicht verallgemeinerbar. Darüber hinaus variieren Lymphomläsionen erheblich in Größe, Form und Stoffwechselaktivität, was das genaue Training tiefer Netzwerke ohne gut definierte Vorbedingungen schwierig macht. Deep Learning zielt darauf ab, die Variabilität der Beobachter zu reduzieren, aber inkonsistente manuelle Annotationen, die für das Training verwendet werden, können zu einer Fortführung der Fehler führen. Das Verständnis dieser Herausforderungen ist entscheidend, um das volle Potenzial dieser Methoden in der quantitativen PET/CT-Analyse auszuschöpfen.  Dieses Dokument ist   . auf Arxiv unter der CC 4.0-Lizenz verfügbar

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

REINFORCEMENT . tech

Leading research and publication in advancing reinforcement machine learning, shaping intelligent systems & automation.

Reinforcement's blog

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

Tiefe neuronale Netzwerke zur Erkennung und Quantifizierung von Lymphomläsionen: Zusammenfassung und Einführung

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps