Redes Neurais Profundas para Detectar e Quantificar Lesões de Linfoma: Resumo e Introdução

Tabela de links

• Resumo e introdução
• Trabalho relatado
• Materiais e métodos
• Resultados
• Discussão
• Conclusão e Referências

Abstrato

Este estudo realiza avaliação abrangente de quatro arquiteturas de redes neurais (UNet, SegResNet, DynUNet e SwinUNETR) para segmentação de lesões de linfoma a partir de imagens PET/CT. Estas redes foram treinadas, validadas e testadas num conjunto de dados diversificado e multiinstitucional de 611 casos. Testes internos (88 casos; faixa de volume tumoral metabólico total (TMTV) [0,52, 2300] ml) mostraram SegResNet como o melhor desempenho com um coeficiente de similaridade de dados mediano (DSC) de 0,76 e volume mediano de falso positivo (FPV) de 4,55 ml; todas as redes tiveram um volume mediano de falso negativo (FNV) de 0 ml. No conjunto de teste externo não visto (145 casos com faixa de TMTV: [0,10, 2.480] ml), o SegResNet alcançou a melhor mediana de DSC de 0,68 e FPV de 21,46 ml, enquanto o UNet teve o melhor FNV de 0,41 ml. Avaliamos a reprodutibilidade de seis medidas de lesão, calculamos seus erros de predição e examinamos o desempenho do DSC em relação a essas medidas de lesão, oferecendo insights sobre a precisão da segmentação e relevância clínica. Além disso, introduzimos três critérios de detecção de lesões, atendendo à necessidade clínica de identificação de lesões, contagem e segmentação com base em características metabólicas. Também realizamos análises especializadas de variabilidade intra-observador revelando os desafios na segmentação de casos “fáceis” versus casos “difíceis”, para auxiliar no desenvolvimento de algoritmos de segmentação mais resilientes. Finalmente, realizamos uma avaliação de concordância entre observadores, ressaltando a importância de um protocolo padronizado de segmentação de verdade envolvendo vários anotadores especializados. O código está disponível em: https://github.com/microsoft/lymphoma-segmentationdnn .

Termos de indexação — Tomografia por emissão de pósitrons, tomografia computadorizada, aprendizagem profunda, segmentação, detecção, medidas de lesão, variabilidade intraobservador, variabilidade interobservador

I. INTRODUÇÃO

A imagem PET/CT com FLUORODEOXIGLUCOSE (18F-FDG) é o padrão de tratamento para pacientes com linfoma, fornecendo diagnósticos precisos, estadiamento e avaliação da resposta à terapia. No entanto, avaliações qualitativas tradicionais, como as pontuações de Deauville [1], podem introduzir variabilidade devido à subjetividade do observador na interpretação da imagem. O uso da análise PET quantitativa que incorpora medidas de lesão, como valor médio de captação padronizada da lesão (SUVmédio), volume metabólico total do tumor (TMTV) e glicólise total da lesão (TLG), oferece um caminho promissor para decisões prognósticas mais confiáveis, aumentando nossa capacidade de prever pacientes resultados no linfoma com maior precisão e confiança [2].

A avaliação quantitativa em imagens PET/CT muitas vezes depende da segmentação manual da lesão, que é demorada e propensa a variabilidades intra e interobservadores. Técnicas automatizadas tradicionais baseadas em limiares podem não detectar doenças de baixa captação e produzir falsos positivos em regiões de alta captação fisiológica de radiotraçadores. Portanto, o aprendizado profundo oferece uma promessa para automatizar a segmentação de lesões, reduzindo a variabilidade, aumentando o rendimento do paciente e potencialmente auxiliando na detecção de lesões desafiadoras [3].

Embora promissores, os métodos de aprendizagem profunda enfrentam desafios próprios. As redes neurais convolucionais (CNNs) requerem conjuntos de dados grandes e bem anotados que podem ser difíceis de obter. Os modelos treinados em pequenos conjuntos de dados podem não ser generalizáveis. Além disso, as lesões do linfoma variam significativamente em tamanho, forma e atividade metabólica, tornando o treinamento de redes profundas um desafio preciso na ausência de antecedentes bem definidos. O aprendizado profundo visa reduzir a variabilidade do observador, mas anotações manuais inconsistentes usadas para treinamento podem levar à perpetuação de erros. Compreender estes desafios é crucial para aproveitar todo o potencial destes métodos na análise quantitativa de PET/CT.