Глубокие нейронные сети для обнаружения и количественной оценки поражений лимфомой: заключение и ссылки

Таблица ссылок

• Аннотация и введение
• Связанных с работой
• Материалы и методы
• Полученные результаты
• Обсуждение
• Заключение и ссылки

VI. ЗАКЛЮЧЕНИЕ

В этом исследовании мы оценили различные архитектуры нейронных сетей для автоматизации сегментации поражений лимфомы на изображениях ПЭТ/КТ в нескольких наборах данных. Мы исследовали воспроизводимость показателей поражения, выявив различия между сетями и подчеркнув их пригодность для конкретного клинического использования. Кроме того, мы представили три критерия обнаружения поражений для оценки производительности сети на уровне каждого поражения, подчеркнув их клиническую значимость. Наконец, мы обсудили проблемы, связанные с согласованностью основных данных, и подчеркнули важность наличия четко определенного протокола для сегментации. Эта работа дает ценную информацию о возможностях и ограничениях глубокого обучения при сегментации поражений лимфомы и подчеркивает необходимость стандартизированных методов аннотации для повышения достоверности исследований и клинического применения.

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА

[1] С. Ф. Баррингтон и др. «ФДГ-ПЭТ для мониторинга терапии при лимфомах Ходжкина и неходжкинских лимфомах». В: Европейский журнал ядерной медицины и молекулярной визуализации 44.1 (август 2017 г.), стр. 97–110. ISSN: 1619-7089.

[2] К. Окуюджу и др. «Оценка прогноза с учетом метаболических параметров опухоли на первичной ФДГ-ПЭТ/КТ у больных первичной экстранодальной лимфомой». ru. В: Радиол. Онкол. 50.4 (декабрь 2016 г.), стр. 360–369.

[3] Н. Ву и др. «Глубокие нейронные сети улучшают работу рентгенологов при скрининге рака молочной железы». В: IEEE Transactions on Medical Imaging 39.4 (2020), стр. 1184–1194.

[4] К. Юань и др. «Диффузная сегментация крупной B-клеточной лимфомы на изображениях ПЭТ-КТ с помощью гибридного обучения для слияния признаков». В: Медицинская физика 48.7 (2021), стр. 3665–3678.

[5] Х. Ху и др. «Сегментация лимфомы на ПЭТ-изображениях на основе стратегии мультипроекции и слияния Conv3D». В: 17-й Международный симпозиум IEEE по биомедицинской визуализации (ISBI), 2020 г. 2020, стр. 1197–1200.

[6] Х. Ли и др. «DenseX-Net: Комплексная модель сегментации лимфомы на изображениях ПЭТ/КТ всего тела». В: IEEE Access 8 (2020), стр. 8004–8018.

[7] Л. Лю и др. «Улучшенная мультимодальная сегментация лимфомы на основе патчей с увеличением негативных образцов и руководством по этикеткам при ПЭТ/КТ-сканировании». В: Многомасштабная мультимодальная медицинская визуализация. Эд. X. Ли и др. Чам: Springer Nature Switzerland, 2022, стр. 121–129. ISBN: 978-3-031-18814-5.

[8] CS Константино и др. «Оценка полуавтоматических и полностью автоматических методов сегментации на основе глубокого обучения на [18F]FDG ПЭТ/КТ-изображениях пациентов с лимфомой: влияние на характеристику опухоли». В: Журнал цифровой обработки изображений 36.4 (август 2023 г.), стр. 1864–1876. ISSN: 1618-727Х.

[9] А.Дж. Вейсман и др. «Сравнение 11 автоматизированных методов сегментации ПЭТ при лимфоме». Английский. В: Физика в медицине и биологии 65.23 (2020), стр. 235019–235019.

[10] А.Дж. Вейсман и др. «Сверточные нейронные сети для автоматического обнаружения ПЭТ/КТ поражений лимфатических узлов у пациентов с лимфомой». В: Радиология: искусственный интеллект 2.5 (2020), e200016.

[11] К. Цзян и др. «Сегментация опухоли на основе глубокого обучения и прогнозирование общего метаболического объема опухоли в прогнозе пациентов с диффузной крупноклеточной B-клеточной лимфомой на 3D-изображениях FDG-PET». В: European Radiology 32.7 (июль 2022 г.), стр. 4801–4812. ISSN: 1432-1084.

[12] П. Блан-Дюран и др. «Полностью автоматическая сегментация диффузных поражений крупноклеточной В-клеточной лимфомы на 3D FDGPET/CT для прогнозирования общего метаболического объема опухоли с использованием сверточной нейронной сети». В: Европейский журнал ядерной медицины и молекулярной визуализации 48.5 (май 2021 г.), стр. 1362–1370. ISSN: 1619-7089.

[13] С. Ахамед и др. «Сверточная нейронная сеть U-Net с многоклассовой потерей кубиков для автоматической сегментации опухолей и лимфатических узлов на ПЭТ/КТ-изображениях рака головы и шеи». В: Сегментация опухолей головы и шеи и прогнозирование результатов. Эд. В. Андреарчик и др. Чам: Springer Nature Switzerland, 2023, стр. 94–106. ISBN: 978-3-031-27420-6.

[14] С. Гатидис и др. «Набор данных ФДГ-ПЭТ/КТ всего тела с аннотированными вручную опухолевыми поражениями». В: Научные данные 9.1 (октябрь 2022 г.), с. 601. ISSN: 2052-4463.

[15] М. Поп и др. «Количественная оценка левого желудочка с использованием остаточной U-Net». Английский. В: том. 11395. Статистические атласы и вычислительные модели сердца. Проблемы сегментации предсердий и количественной оценки ЛЖ. Швейцария: Springer International Publishing AG, 2019, стр. 371–380. ISBN: 0302-9743.

[16] А. Мироненко. «3D-МРТ-сегментация опухоли головного мозга с использованием регуляризации автоэнкодера». Английский. В: Поражение головного мозга: глиома, рассеянный склероз, инсульт и черепно-мозговые травмы. Чам: Springer International Publishing, 2019, стр. 311–320. ISBN: 0302-9743.

[17] Ф. Айсенси и др. «nnU-Net: самонастраивающийся метод сегментации биомедицинских изображений на основе глубокого обучения». В: Nature Methods 18.2 (декабрь 2020 г.), стр. 203–211.

[18] А. Хатамизаде и др. «Swin UNETR: Swin Transformers для семантической сегментации опухолей головного мозга на изображениях МРТ». Английский. В: (2022).

[19] М. Дж. Кардосо и др. MONAI: Платформа с открытым исходным кодом для глубокого обучения в здравоохранении. 2022. arXiv: 2211.02701 [cs.LG].

[20] С. Ахамед и др. «На пути к улучшенной сегментации поражений с использованием трехмерной нейронной сети, обученной на обрезанных участках ПЭТ-изображений лимфомы с различным разрешением». В: Журнал ядерной медицины 64. дополнение 1 (2023 г.), P1360–P1360. ISSN: 0161-5505.

[21] Дж. Л. Фляйсс. «Согласование номинальной шкалы между многими оценщиками». Английский. В: Психологический вестник 76.5 (1971), стр. 378–382.

[22] А.К. Джа и др. «Ядерная медицина и искусственный интеллект: лучшие практики оценки (руководство RELAINCE)». ru. В: Дж. Нукл. Мед. 63.9 (сентябрь 2022 г.), стр. 1288–1299.

[23] Н. Хасани и др. «Искусственный интеллект в ПЭТ-визуализации лимфомы: обзорный обзор (текущие тенденции и будущие направления)». В: ПЭТ-клиники 17.1 (1 января), стр. 145–174. ISSN: 1556-8598.

[24] С.К. Варфилд и др. «Одновременная оценка уровня истинности и производительности (STAPLE): алгоритм проверки сегментации изображений». ru. В: IEEE Trans. Мед. Imaging 23.7 (июль 2004 г.), стр. 903–921.