लिम्फोमा घावों का पता लगाने और उनकी मात्रा निर्धारित करने के लिए डीप न्यूरल नेटवर्क: संबंधित कार्य

लिंक की तालिका

• सार और परिचय
• संबंधित कार्य
• सामग्री और तरीके
• परिणाम
• बहस
• निष्कर्ष और संदर्भ

II. संबंधित कार्य

कई कार्यों ने पीईटी/सीटी छवियों में लिम्फोमा को विभाजित करने के लिए गहन शिक्षण विधियों के अनुप्रयोग का पता लगाया है। युआन एट अल। [४] ने मल्टी-मोडैलिटी डेटा से पूरक जानकारी का उपयोग करने के लिए एक फीचर फ्यूजन तकनीक विकसित की। हू एट अल। [५] ने विभाजन प्रदर्शन को बढ़ाने के लिए वॉल्यूमेट्रिक डेटा पर प्रशिक्षित 3D ResUNet और तीन ऑर्थोगोनल दिशाओं से 2D स्लाइस पर प्रशिक्षित तीन 2D ResUNet के संयोजन को फ्यूज करने का प्रस्ताव दिया। ली एट अल। [६] ने लिम्फोमा का पता लगाने और विभाजन के लिए पर्यवेक्षित और अप्रशिक्षित तरीकों को एकीकृत करते हुए एंड-टू-एंड फैशन में प्रशिक्षित DenseX-Net का प्रस्ताव दिया। लियू एट अल। [७] ने लिम्फोमा विभाजन के लिए 3D रेसिडुअल-यूनेट को प्रशिक्षित करने के लिए पैच-आधारित नकारात्मक नमूना वृद्धि और लेबल मार्गदर्शन जैसी तकनीकों की शुरुआत की इसके अलावा, इनमें से अधिकांश विधियों ने अपने प्रस्तावित तरीकों के प्रदर्शन की तुलना अन्य आधार रेखाओं या चिकित्सकों के प्रदर्शन के साथ नहीं की।

कॉन्स्टेंटिनो एट अल [८] ने ७ अर्ध-स्वचालित और २ डीप लर्निंग विभाजन विधियों के प्रदर्शन की तुलना की, जबकि वीज़मैन एट अल [९] ने ११ स्वचालित विभाजन तकनीकों की तुलना की, हालांकि ये दोनों अध्ययन क्रमशः ६५ और ९० आकार के छोटे डेटासेट पर किए गए थे। वीज़मैन एट अल [१०] ने स्वचालित ३डी डीप मेडिक विधि के विभाजन प्रदर्शन की तुलना चिकित्सक के साथ की, हालांकि इस अध्ययन में भी सिर्फ ९० लिंफोमा मामले शामिल थे। [१०] को छोड़कर, इनमें से किसी भी अध्ययन ने आउट-ऑफ-डिस्ट्रीब्यूशन डेटासेट (जैसे विभिन्न केंद्रों से एकत्र किए गए डेटा पर) पर मॉडल सामान्यीकरण की सूचना नहीं दी, जिससे उनकी मजबूती मात्रा का ठहराव और बाहरी वैधता सीमित हो गई। जियांग एट अल [११] ने एक ३डी यूनेट को प्रशिक्षित करने के लिए २९७ छवियों के साथ उपरोक्त अध्ययनों की तुलना में अपेक्षाकृत बड़े डेटासेट का उपयोग किया। हमारी जानकारी के अनुसार, डीप लर्निंग-आधारित घाव विभाजन के लिए अब तक का सबसे बड़ा लिम्फोमा पीईटी/सीटी डेटासेट ब्लैंक-डूरंड एट अल. [12] द्वारा किया गया कार्य है, जिन्होंने मॉडल विकास के लिए 639 छवियों और बाहरी परीक्षण के लिए 94 छवियों का उपयोग किया; हालाँकि, इस अध्ययन में केवल मानक विभाजन मूल्यांकन मेट्रिक्स का उपयोग किया गया और सटीक टीएमटीवी की भविष्यवाणी करने के लिए उनके मॉडल की क्षमता का आकलन किया गया। दोनों अध्ययन [11] और [12] इस तथ्य से सीमित हैं कि उनके डेटासेट में केवल डिफ्यूज़ लार्ज बी-सेल लिम्फोमा (डीएलबीसीएल) से पीड़ित रोगी शामिल थे, जो लिम्फोमा के केवल एक ही उपप्रकार का प्रतिनिधित्व करते हैं।

डीप लर्निंग आधारित लिंफोमा सेगमेंटेशन पर मौजूदा अधिकांश अध्ययन जेनेरिक सेगमेंटेशन मेट्रिक्स जैसे डाइस सिमिलरिटी कोएफिशिएंट (DSC), इंटरसेक्शन-ओवर-यूनियन (IoU), संवेदनशीलता आदि पर अपने प्रदर्शन की रिपोर्ट करते हैं। बड़े खंडित घावों की उपस्थिति में, बहुत छोटे छूटे हुए घाव या छोटे झूठे सकारात्मक DSC मान में ज्यादा योगदान नहीं करते हैं। इसलिए, झूठे सकारात्मक और झूठे नकारात्मक की मात्रा की रिपोर्ट करने की आवश्यकता है। प्रति घाव के आधार पर पता लगाने के प्रदर्शन का मूल्यांकन करना भी फायदेमंद होगा (पता लगाए गए बनाम छूटे हुए जुड़े घटकों की संख्या), क्योंकि सभी घावों के कुछ वोक्सल का स्वचालित पता लगाने से चिकित्सकों को रुचि के क्षेत्रों को जल्दी से ढूंढने में मदद मिल सकती है, भले ही DSC कम हो। इसके अलावा,

हमारे अध्ययन का उद्देश्य इन सीमाओं को संबोधित करना है। हमने तीन समूहों से लिम्फोमा पीईटी/सीटी डेटासेट पर चार गहरे तंत्रिका नेटवर्क को प्रशिक्षित और मान्य किया, जिसमें लिम्फोमा के दो अलग-अलग उपप्रकार शामिल हैं: डीएलबीसीएल और प्राथमिक मीडियास्टिनल बड़े बी-सेल लिम्फोमा (पीएमबीसीएल)। (i) हमने अपने मॉडल की मजबूती का मूल्यांकन करने के लिए इन (प्रशिक्षण/सत्यापन सेट के समान समूहों से आने वाली छवियां) और आउट-ऑफ-डिस्ट्रीब्यूशन या बाहरी (प्रशिक्षण/सत्यापन के लिए उपयोग नहीं किए गए चौथे समूह से छवियां) परीक्षण किए। (ii) हमने डीएससी, झूठे सकारात्मक और नकारात्मक की मात्रा का उपयोग करके प्रदर्शन की रिपोर्ट की, और छह अलग-अलग प्रकार के घावों के माप पर प्रदर्शन निर्भरता का मूल्यांकन किया। (iii) हमने इन ग्राउंड ट्रुथ घाव माप को पुन: पेश करने के लिए अपने नेटवर्क की क्षमता का भी मूल्यांकन किया और उन्हें भविष्यवाणी करने में नेटवर्क की त्रुटि की गणना की। (iv) हमने अपने उपयोग-मामले के लिए तीन प्रकार के पता लगाने के मानदंडों का प्रस्ताव दिया और इन मैट्रिक्स पर मॉडल के प्रदर्शन का मूल्यांकन किया। (v) अंत में, हमने अपने डेटासेट पर घाव विभाजन कार्य की कठिनाई का एक माप देने के लिए अंतर- और अंतर-पर्यवेक्षक समझौते का मूल्यांकन किया।