लिम्फोमा घावों का पता लगाने और मात्रा निर्धारित करने के लिए डीप न्यूरल नेटवर्क: सार और परिचय

लिंक की तालिका

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

अमूर्त

यह अध्ययन PET/CT छवियों से लिम्फोमा घाव विभाजन के लिए चार न्यूरल नेटवर्क आर्किटेक्चर (UNet, SegResNet, DynUNet, और SwinUNETR) का व्यापक मूल्यांकन करता है। इन नेटवर्क को 611 मामलों के विविध, बहु-संस्थागत डेटासेट पर प्रशिक्षित, मान्य और परीक्षण किया गया। आंतरिक परीक्षण (88 मामले; कुल चयापचय ट्यूमर वॉल्यूम (TMTV) रेंज [0.52, 2300] मिली) ने SegResNet को 0.76 के औसत डाइस समानता गुणांक (DSC) और 4.55 मिली के औसत गलत सकारात्मक वॉल्यूम (FPV) के साथ शीर्ष प्रदर्शनकर्ता के रूप में दिखाया; सभी नेटवर्क में 0 मिली का औसत गलत नकारात्मक वॉल्यूम (FNV) था। अदृश्य बाहरी परीक्षण सेट (TMTV रेंज के साथ 145 मामले: [0.10, 2480] मिली) पर, SegResNet ने 0.68 का सर्वश्रेष्ठ औसत DSC और 21.46 मिली का FPV हासिल किया, जबकि UNet का सर्वश्रेष्ठ FNV 0.41 मिली था। हमने छह घाव मापों की पुनरुत्पादकता का आकलन किया, उनकी भविष्यवाणी त्रुटियों की गणना की, और इन घाव मापों के संबंध में DSC प्रदर्शन की जांच की, जिससे विभाजन सटीकता और नैदानिक प्रासंगिकता में अंतर्दृष्टि प्रदान की गई। इसके अतिरिक्त, हमने घावों की पहचान करने, उन्हें गिनने और चयापचय विशेषताओं के आधार पर विभाजन करने की नैदानिक आवश्यकता को संबोधित करते हुए तीन घाव पहचान मानदंड पेश किए। हमने अधिक लचीले विभाजन एल्गोरिदम के विकास में सहायता के लिए "आसान" बनाम "कठिन" मामलों को विभाजित करने में चुनौतियों का खुलासा करते हुए विशेषज्ञ अंतर-पर्यवेक्षक परिवर्तनशीलता विश्लेषण भी किया। अंत में, हमने कई विशेषज्ञ एनोटेटर्स को शामिल करते हुए एक मानकीकृत ग्राउंड ट्रुथ सेगमेंटेशन प्रोटोकॉल के महत्व को रेखांकित करते हुए अंतर-पर्यवेक्षक सहमति मूल्यांकन किया। कोड यहां उपलब्ध है: https://github.com/microsoft/lymphoma-segmentationdnn .

सूचकांक शब्द - पॉज़िट्रॉन एमिशन टोमोग्राफी, कंप्यूटेड टोमोग्राफी, गहन शिक्षण, विभाजन, पता लगाना, घाव माप, अंतर-पर्यवेक्षक परिवर्तनशीलता, अंतर-पर्यवेक्षक परिवर्तनशीलता

I. प्रस्तावना

एफ ल्यूरोडेऑक्सीग्लूकोज (18एफ-एफडीजी) पीईटी/सीटी इमेजिंग लिम्फोमा रोगियों के लिए देखभाल का मानक है, जो सटीक निदान, स्टेजिंग और थेरेपी प्रतिक्रिया मूल्यांकन प्रदान करता है। हालांकि, ड्यूविल स्कोर [1] जैसे पारंपरिक गुणात्मक आकलन, छवि व्याख्या में पर्यवेक्षक की व्यक्तिपरकता के कारण परिवर्तनशीलता ला सकते हैं। मात्रात्मक पीईटी विश्लेषण का उपयोग करना जिसमें घाव के माप जैसे कि माध्य घाव मानकीकृत अपटेक मूल्य (एसयूवीमीन), कुल चयापचय ट्यूमर मात्रा (टीएमटीवी), और कुल घाव ग्लाइकोलाइसिस (टीएलजी) शामिल हैं, अधिक विश्वसनीय रोगनिदान निर्णयों के लिए एक आशाजनक मार्ग प्रदान करता है, जो लिम्फोमा में रोगी के परिणामों की अधिक सटीकता और आत्मविश्वास के साथ भविष्यवाणी करने की हमारी क्षमता को बढ़ाता है [2]।

पीईटी/सीटी इमेजिंग में मात्रात्मक मूल्यांकन अक्सर मैनुअल घाव विभाजन पर निर्भर करता है, जो समय लेने वाला होता है और इंट्रा- और इंटर-ऑब्जर्वर परिवर्तनशीलता के लिए प्रवण होता है। पारंपरिक थ्रेशोल्डिंग-आधारित स्वचालित तकनीकें कम-अपटेक बीमारी को अनदेखा कर सकती हैं और रेडियोट्रेसर के शारीरिक उच्च अपटेक वाले क्षेत्रों में गलत सकारात्मक परिणाम उत्पन्न कर सकती हैं। इसलिए, डीप लर्निंग घाव विभाजन को स्वचालित करने, परिवर्तनशीलता को कम करने, रोगी थ्रूपुट को बढ़ाने और चुनौतीपूर्ण घावों का पता लगाने में संभावित रूप से सहायता करने का वादा करती है [3]।

हालांकि आशाजनक, डीप लर्निंग विधियों को अपनी चुनौतियों का सामना करना पड़ता है। कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) को बड़े, अच्छी तरह से एनोटेट किए गए डेटासेट की आवश्यकता होती है जिन्हें प्राप्त करना मुश्किल हो सकता है। छोटे डेटासेट पर प्रशिक्षित मॉडल सामान्यीकृत नहीं हो सकते हैं। इसके अलावा, लिम्फोमा घाव आकार, आकृति और चयापचय गतिविधि में काफी भिन्न होते हैं, जिससे अच्छी तरह से परिभाषित पूर्ववर्तियों की अनुपस्थिति में डीप नेटवर्क को सटीक रूप से प्रशिक्षित करना चुनौतीपूर्ण हो जाता है। डीप लर्निंग का उद्देश्य पर्यवेक्षक परिवर्तनशीलता को कम करना है, लेकिन प्रशिक्षण के लिए उपयोग किए जाने वाले असंगत मैनुअल एनोटेशन से त्रुटि की निरंतरता हो सकती है। इन चुनौतियों को समझना PET/CT मात्रात्मक विश्लेषण में इन विधियों की पूरी क्षमता का दोहन करने की दिशा में महत्वपूर्ण है।