Redes neuronales profundas para detectar y cuantificar lesiones de linfoma: resumen e introducción

Tabla de enlaces

• Resumen e introducción
• Trabajo relacionado
• Materiales y métodos
• Resultados
• Discusión
• Conclusión y referencias

Abstracto

Este estudio realiza una evaluación integral de cuatro arquitecturas de redes neuronales (UNet, SegResNet, DynUNet y SwinUNETR) para la segmentación de lesiones de linfoma a partir de imágenes PET/CT. Estas redes fueron capacitadas, validadas y probadas en un conjunto de datos diverso y multiinstitucional de 611 casos. Las pruebas internas (88 casos; rango de volumen metabólico total del tumor (TMTV) [0,52, 2300] ml) mostraron a SegResNet como el de mejor desempeño con un coeficiente de similitud de Dice (DSC) mediano de 0,76 y un volumen medio de falsos positivos (FPV) de 4,55 ml; todas las redes tuvieron un volumen medio de falsos negativos (FNV) de 0 ml. En el conjunto de prueba externo invisible (145 casos con rango de TMTV: [0,10, 2480] ml), SegResNet logró la mejor mediana de DSC de 0,68 y FPV de 21,46 ml, mientras que UNet tuvo el mejor FNV de 0,41 ml. Evaluamos la reproducibilidad de seis medidas de lesiones, calculamos sus errores de predicción y examinamos el rendimiento de DSC en relación con estas medidas de lesiones, ofreciendo información sobre la precisión de la segmentación y la relevancia clínica. Además, introdujimos tres criterios de detección de lesiones, abordando la necesidad clínica de identificar lesiones, contarlas y segmentarlas según las características metabólicas. También realizamos un análisis de variabilidad intraobservador experto que revela los desafíos en la segmentación de casos "fáciles" versus "difíciles", para ayudar en el desarrollo de algoritmos de segmentación más resilientes. Finalmente, realizamos una evaluación del acuerdo entre observadores que subraya la importancia de un protocolo estandarizado de segmentación de la verdad fundamental que involucre a múltiples anotadores expertos. El código está disponible en: https://github.com/microsoft/lymphoma-segmentationdnn .

Términos del índice : tomografía por emisión de positrones, tomografía computarizada, aprendizaje profundo, segmentación, detección, medidas de lesiones, variabilidad intraobservador, variabilidad entre observadores

I. INTRODUCCIÓN

Las imágenes PET/CT con FLUORODEOXYGLUCOSE (18F-FDG) son el estándar de atención para pacientes con linfoma, ya que brindan diagnósticos precisos, estadificación y evaluación de la respuesta al tratamiento. Sin embargo, las evaluaciones cualitativas tradicionales, como las puntuaciones de Deauville [1], pueden introducir variabilidad debido a la subjetividad del observador en la interpretación de las imágenes. El uso de un análisis PET cuantitativo que incorpora medidas de lesión como el valor medio de captación estandarizado de la lesión (SUVmean), el volumen metabólico tumoral total (TMTV) y la glucólisis total de la lesión (TLG) ofrece un camino prometedor hacia decisiones de pronóstico más confiables, mejorando nuestra capacidad para predecir el paciente. resultados en linfoma con mayor precisión y confianza [2].

La evaluación cuantitativa en imágenes PET/CT a menudo se basa en la segmentación manual de la lesión, que requiere mucho tiempo y es propensa a variaciones intra e interobservador. Las técnicas automatizadas tradicionales basadas en umbrales pueden pasar por alto enfermedades de baja captación y producir falsos positivos en regiones de alta captación fisiológica de radiotrazadores. Por lo tanto, el aprendizaje profundo es prometedor para automatizar la segmentación de lesiones, reducir la variabilidad, aumentar el rendimiento de los pacientes y ayudar potencialmente en la detección de lesiones desafiantes [3].

Aunque prometedores, los métodos de aprendizaje profundo enfrentan sus propios desafíos. Las redes neuronales convolucionales (CNN) requieren conjuntos de datos grandes y bien anotados que pueden ser difíciles de obtener. Es posible que los modelos entrenados en conjuntos de datos pequeños no sean generalizables. Además, las lesiones de linfoma varían significativamente en tamaño, forma y actividad metabólica, lo que hace que entrenar redes profundas sea un desafío con precisión en ausencia de antecedentes bien definidos. El aprendizaje profundo tiene como objetivo reducir la variabilidad del observador, pero las anotaciones manuales inconsistentes utilizadas para el entrenamiento pueden llevar a la perpetuación de errores. Comprender estos desafíos es crucial para aprovechar todo el potencial de estos métodos en el análisis cuantitativo PET/CT.