Yazar:  (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: shadabahamed1996@gmail.com);  (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   Özet ve Giriş   Alakalı iş   Malzemeler ve yöntemler   Sonuçlar   Tartışma   Sonuç ve Referanslar   Soyut  Bu çalışma, PET/CT görüntülerinden lenfoma lezyonu segmentasyonu için dört sinir ağı mimarisinin (UNet, SegResNet, DynUNet ve SwinUNETR) kapsamlı değerlendirmesini gerçekleştirir. Bu ağlar, 611 vakadan oluşan çeşitli, çok-kurumlu bir veri kümesi üzerinde eğitildi, doğrulandı ve test edildi. Dahili testler (88 vaka; toplam metabolik tümör hacmi (TMTV) aralığı [0,52, 2300] ml), SegResNet'in 0,76 medyan Zar benzerliği katsayısı (DSC) ve 4,55 ml medyan yanlış pozitif hacmi (FPV) ile en iyi performans gösteren ürün olduğunu gösterdi; tüm ağların ortalama yanlış negatif hacmi (FNV) 0 ml idi. Görülmeyen harici test setinde (TMTV aralığı: [0,10, 2480] ml olan 145 vaka) SegResNet, 0,68'lik en iyi medyan DSC'yi ve 21,46 ml'lik FPV'yi elde ederken, UNet 0,41 ml'lik en iyi FNV'ye sahipti. Altı lezyon ölçümünün tekrarlanabilirliğini değerlendirdik, tahmin hatalarını hesapladık ve bu lezyon ölçümlerine ilişkin DSC performansını inceleyerek segmentasyon doğruluğu ve klinik uygunluğa dair içgörüler sunduk. Ek olarak lezyonların tanımlanması, sayılması ve metabolik özelliklere göre segmentlere ayrılmasına yönelik klinik ihtiyaçları karşılayan üç lezyon tespit kriteri sunduk. Ayrıca, daha dayanıklı segmentasyon algoritmalarının geliştirilmesine yardımcı olmak için "kolay" ve "zor" durumları segmentlere ayırmadaki zorlukları ortaya koyan uzman gözlemci içi değişkenlik analizi gerçekleştirdik. Son olarak, birden fazla uzman açıklayıcıyı içeren standartlaştırılmış bir temel gerçek segmentasyon protokolünün önemini vurgulayan gözlemciler arası anlaşma değerlendirmesi gerçekleştirdik. Kod şu adreste mevcuttur:   . https://github.com/microsoft/lymphoma-segmentationdnn    - Pozitron emisyon tomografisi, bilgisayarlı tomografi, derin öğrenme, segmentasyon, tespit, lezyon ölçümleri, gözlemci içi değişkenlik, gözlemciler arası değişkenlik Dizin Terimleri  I.GİRİŞ  F LUORODEOKSİGLUKOZ (18F-FDG) PET/BT görüntüleme, lenfoma hastalarına yönelik bakım standardı olup doğru teşhisler, evreleme ve tedaviye yanıt değerlendirmesi sağlar. Bununla birlikte, Deauville puanları [1] gibi geleneksel niteliksel değerlendirmeler, gözlemcinin görüntü yorumlamasındaki öznelliği nedeniyle değişkenlik ortaya çıkarabilir. Ortalama lezyon standartlaştırılmış alım değeri (SUVmean), toplam metabolik tümör hacmi (TMTV) ve toplam lezyon glikolizi (TLG) gibi lezyon ölçümlerini içeren kantitatif PET analizinin kullanılması, daha güvenilir prognostik kararlar için umut verici bir yol sunarak hastayı tahmin etme yeteneğimizi artırır. Lenfomada sonuçların daha yüksek hassasiyet ve güvenle elde edilmesi [2].  PET/BT görüntülemede niceliksel değerlendirme sıklıkla zaman alıcı ve gözlemci içi ve gözlemciler arası değişkenliklere yatkın olan manuel lezyon segmentasyonuna dayanır. Geleneksel eşiklemeye dayalı otomatik teknikler, düşük alımlı hastalıkları gözden kaçırabilir ve radyotraktörlerin fizyolojik olarak yüksek alımının olduğu bölgelerde yanlış pozitifler üretebilir. Bu nedenle derin öğrenme, lezyon segmentasyonunun otomatikleştirilmesi, değişkenliğin azaltılması, hasta veriminin arttırılması ve zorlu lezyonların tespitine potansiyel olarak yardımcı olma konusunda umut vaat etmektedir [3].  Umut verici olmasına rağmen, derin öğrenme yöntemlerinin kendi zorlukları vardır. Evrişimli sinir ağları (CNN'ler), elde edilmesi zor olabilecek büyük, iyi açıklamalı veri kümeleri gerektirir. Küçük veri kümeleri üzerinde eğitilen modeller genelleştirilemeyebilir. Üstelik, lenfoma lezyonları boyut, şekil ve metabolik aktivite açısından önemli ölçüde farklılık gösterir; bu da, iyi tanımlanmış önceliklerin yokluğunda derin ağların eğitimini doğru bir şekilde zorlaştırır. Derin öğrenme, gözlemci değişkenliğini azaltmayı amaçlar ancak eğitim için kullanılan tutarsız manuel açıklamalar, hataların sürekliliğine yol açabilir. Bu zorlukları anlamak, PET/CT kantitatif analizinde bu yöntemlerin tam potansiyelinden yararlanmak açısından çok önemlidir.  Bu makale   . arxiv'de CC 4.0 lisansı altında mevcuttur

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

REINFORCEMENT . tech

Leading research and publication in advancing reinforcement machine learning, shaping intelligent systems & automation.

Reinforcement's blog

Bu ses hikayenin orijinal dilinde üretilmiştir!

Çok uzun; Okumak

Boost your HackerNoon story @ $159.99! 🚀

Lenfoma Lezyonlarını Tespit Etmek ve Ölçmek İçin Derin Sinir Ağları: Özet ve Giriş

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps