Lenfoma Lezyonlarını Tespit Etmek ve Ölçmek İçin Derin Sinir Ağları: Sonuç ve Referanslar

ile Reinforcement Technology Advancements5m2024/06/12

Çok uzun; Okumak

Bu çalışma, PET/CT görüntülerinden lenfoma lezyonu segmentasyonu için dört sinir ağı mimarisinin kapsamlı değerlendirmesini gerçekleştirmektedir.

featured image - Lenfoma Lezyonlarını Tespit Etmek ve Ölçmek İçin Derin Sinir Ağları: Sonuç ve Referanslar

Yazarlar:

(1) Shadab Ahamed, British Columbia Üniversitesi, Vancouver, BC, Kanada, BC Kanser Araştırma Enstitüsü, Vancouver, BC, Kanada. Ayrıca Microsoft AI for Good Lab, Redmond, WA, ABD'de Mitacs Hızlandırma Üyesi (Mayıs 2022 - Nisan 2023) olarak görev yaptı (e-posta: [email protected]);

(2) Yixi Xu, Good Lab için Microsoft AI, Redmond, WA, ABD;

(3) Claire Gowdy, BC Çocuk Hastanesi, Vancouver, BC, Kanada;

(4) Joo H. O, St. Mary's Hastanesi, Seul, Kore Cumhuriyeti;

(5) Ingrid Bloise, BC Cancer, Vancouver, BC, Kanada;

(6) Don Wilson, BC Cancer, Vancouver, BC, Kanada;

(7) Patrick Martineau, BC Cancer, Vancouver, BC, Kanada;

(8) François Benard, BC Cancer, Vancouver, BC, Kanada;

(9) Fereshteh Yousefirizi, BC Kanser Araştırma Enstitüsü, Vancouver, BC, Kanada;

(10) Rahul Dodhia, Good Lab için Microsoft AI, Redmond, WA, ABD;

(11) Juan M. Lavista, Microsoft AI for Good Lab, Redmond, WA, ABD;

(12) William B. Weeks, Good Lab için Microsoft AI, Redmond, WA, ABD;

(13) Carlos F. Uribe, BC Kanser Araştırma Enstitüsü, Vancouver, BC, Kanada ve British Columbia Üniversitesi, Vancouver, BC, Kanada;

(14) Arman Rahmim, BC Kanser Araştırma Enstitüsü, Vancouver, BC, Kanada ve British Columbia Üniversitesi, Vancouver, BC, Kanada.

Bağlantı Tablosu

VI. ÇÖZÜM

Bu çalışmada, birden fazla veri kümesinde PET/BT görüntülerinde lenfoma lezyonu segmentasyonunu otomatikleştirmek için çeşitli sinir ağı mimarilerini değerlendirdik. Lezyon ölçümlerinin tekrarlanabilirliğini inceledik, ağlar arasındaki farklılıkları ortaya çıkardık ve bunların belirli klinik kullanımlara uygunluğunu vurguladık. Ek olarak, ağ performansını lezyon bazında değerlendirmek için üç lezyon tespit kriteri sunduk ve bunların klinik önemini vurguladık. Son olarak, temel doğruluk tutarlılığıyla ilgili zorlukları tartıştık ve segmentasyon için iyi tanımlanmış bir protokole sahip olmanın önemini vurguladık. Bu çalışma, lenfoma lezyonu segmentasyonunda derin öğrenmenin potansiyelleri ve sınırlamaları hakkında değerli bilgiler sağlıyor ve araştırma geçerliliğini ve klinik uygulamaları geliştirmek için standartlaştırılmış açıklama uygulamalarına olan ihtiyacı vurguluyor.

REFERANSLAR

[1] SF Barrington ve ark. “Hodgkin ve Hodgkin dışı lenfomalarda tedavi takibi için FDG PET”. İçinde: Avrupa Nükleer Tıp ve Moleküler Görüntüleme Dergisi 44.1 (Ağu. 2017), s. 97–110. ISSN: 1619-7089.

[2] K. Okuyucu ve ark. “Primer ekstranodal lenfomalı hastalarda başlangıç FDG-PET/BT'de metabolik tümör parametrelerinin ışığında prognoz tahmini”. tr. İçinde: Radiol. Onkol. 50.4 (Aralık 2016), s. 360–369.

[3] N. Wu ve ark. “Derin Sinir Ağları Radyologların Meme Kanseri Taramasındaki Performansını Artırıyor”. İçinde: Tıbbi Görüntülemede IEEE İşlemleri 39.4 (2020), s. 1184–1194.

[4] C. Yuan ve ark. "Özellik füzyonu için hibrit öğrenme yoluyla PET-CT görüntülerinde yaygın büyük B hücreli lenfoma segmentasyonu". İçinde: Medikal Fizik 48.7 (2021), s. 3665– 3678.

[5] H. Hu ve ark. “Çoklu Görünüm ve Conv3D Füzyon Stratejisine Dayalı PET Görüntülerinde Lenfoma Segmentasyonu”. İçinde: 2020 IEEE 17. Uluslararası Biyomedikal Görüntüleme Sempozyumu (ISBI). 2020, s. 1197–1200.

[6] H. Li ve ark. “DenseX-Net: Tüm Vücut PET/CT Görüntülerinde Lenfoma Segmentasyonu için Uçtan Uca Bir Model”. İçinde: IEEE Erişimi 8 (2020), s. 8004–8018.

[7] L. Liu ve ark. "Negatif Numune Büyütme ve PET/CT Taramalarında Etiket Rehberliği ile Geliştirilmiş Çok Modlu Yama Tabanlı Lenfoma Segmentasyonu". İçinde: Çok Ölçekli Multimodal Tıbbi Görüntüleme. Ed. X. Li ve diğerleri tarafından. Cham: Springer Nature İsviçre, 2022, s. 121–129. ISBN: 978-3-031-18814-5.

[8] CS Constantino ve ark. “Lenfomalı Hastalardan Alınan [18F]FDG PET/CT Görüntüleri Üzerinde Yarı Otomatik ve Derin Öğrenmeye Dayalı Tam Otomatik Segmentasyon Yöntemlerinin Değerlendirilmesi: Tümör Karakterizasyonuna Etkisi”. İçinde: Journal of Digital Imaging 36.4 (Ağu. 2023), s. 1864–1876. ISSN: 1618-727X.

[9] AJ Weisman ve ark. “Lenfomada 11 otomatik PET segmentasyon yönteminin karşılaştırılması”. İngilizce. İçinde: Tıp ve biyolojide fizik 65.23 (2020), s. 235019–235019.

[10] AJ Weisman ve ark. “Lenfomalı Hastalarda Hastalıklı Lenf Nodu Yükünün Otomatik PET/CT Tespiti için Evrişimli Sinir Ağları”. İçinde: Radyoloji: Yapay Zeka 2.5 (2020), e200016.

[11] C. Jiang ve ark. "3D FDG-PET görüntülerinde diffüz büyük B hücreli lenfoma hastalarının prognozunda derin öğrenmeye dayalı tümör segmentasyonu ve toplam metabolik tümör hacmi tahmini". İçinde: Avrupa Radyolojisi 32.7 (Temmuz 2022), s. 4801–4812. ISSN: 1432-1084.

[12] P. Blanc-Durand ve ark. "Evrişimsel bir sinir ağı kullanılarak toplam metabolik tümör hacmi tahmini için yaygın büyük B hücreli lenfoma lezyonlarının 3D FDGPET/CT'de tam otomatik segmentasyonu." İçinde: Avrupa Nükleer Tıp ve Moleküler Görüntüleme Dergisi 48.5 (Mayıs 2021), s. 1362–1370. ISSN: 1619-7089.

[13] S. Ahamed ve ark. “Baş ve Boyun Kanseri PET/CT Görüntülerinden Tümörlerin ve Lenf Düğümlerinin Otomatik Segmentasyonu için Çok Sınıflı Zar Kaybına Sahip U-Net Evrişimli Sinir Ağı”. İçinde: Baş ve Boyun Tümörü Segmentasyonu ve Sonuç Tahmini. Ed. V. Andrearczyk ve ark. Cham: Springer Nature İsviçre, 2023, s. 94–106. ISBN: 978-3-031-27420-6.

[14] S. Gatidis ve ark. "Manuel olarak açıklamalı Tümör Lezyonlarına sahip tüm vücut FDG-PET/CT Veri Kümesi". İçinde: Bilimsel Veriler 9.1 (Ekim 2022), s. 601.ISSN: 2052-4463.

[15] M. Pop ve ark. “Rezidüel U-Net Kullanılarak Sol Ventrikül Kantifikasyonu”. İngilizce. İçinde: cilt. 11395. Kalbin İstatistiksel Atlasları ve Hesaplamalı Modelleri. Atriyal Segmentasyon ve LV Niceleme Zorlukları. İsviçre: Springer International Publishing AG, 2019, s. 371–380. ISBN: 0302-9743.

[16] A. Myronenko. “Oto Kodlayıcı Düzenlemesini Kullanarak 3D MRI Beyin Tümörü Segmentasyonu”. İngilizce. İçinde: Beyin Lezyonu: Glioma, Multipl Skleroz, İnme ve Travmatik Beyin Hasarları. Cham: Springer International Publishing, 2019, s. 311–320. ISBN: 0302-9743.

[17] F. Isensee ve ark. “nnU-Net: derin öğrenmeye dayalı biyomedikal görüntü segmentasyonu için kendi kendini yapılandıran bir yöntem”. İçinde: Nature Methods 18.2 (Aralık 2020), s. 203–211.

[18] A. Hatamizadeh ve ark. “Swin UNETR: MRI Görüntülerinde Beyin Tümörlerinin Semantik Segmentasyonu için Swin Transformatörleri”. İngilizce. İçinde: (2022).

[19] MJ Cardoso ve ark. MONAI: Sağlık hizmetlerinde derin öğrenmeye yönelik açık kaynaklı bir çerçeve. 2022.arXiv: 2211.02701 [cs.LG].

[20] S. Ahamed ve ark. "Lenfoma PET görüntülerinin çok çözünürlüklü kırpılmış yamaları üzerinde eğitilmiş bir 3 boyutlu sinir ağı kullanılarak gelişmiş lezyon segmentasyonuna doğru". İçinde: Journal of Nuclear Medicine 64.supplement 1 (2023), P1360–P1360. ISSN: 0161-5505.

[21] JL Fleiss. “Birçok değerlendirici arasında nominal ölçek uyumunun ölçülmesi”. İngilizce. İçinde: Psikolojik bülten 76.5 (1971), s. 378–382.

[22] AK Jha ve ark. “Nükleer Tıp ve yapay zeka: Değerlendirme için en iyi uygulamalar (RELAINCE yönergeleri)”. tr. İçinde: J. Nucl. Med. 63.9 (Eylül 2022), s. 1288–1299.

[23] N. Hasani ve ark. "Lenfoma PET Görüntülemede Yapay Zeka: Kapsam Belirleyici Bir İnceleme (Mevcut Eğilimler ve Gelecek Yönelimler)". İçinde: PET klinikleri 17.1 (1 Ocak), s. 145–174. ISSN: 1556-8598.

[24] SK Warfield ve ark. "Eşzamanlı doğruluk ve performans düzeyi tahmini (STAPLE): görüntü segmentasyonunun doğrulanması için bir algoritma". tr. İçinde: IEEE Çev. Med. Görüntüleme 23.7 (Temmuz 2004), s. 903–921.