深度神经网络检测和量化淋巴瘤病变：结论和参考文献

经过 Reinforcement Technology Advancements5m2024/06/12

太長; 讀書

本研究对 PET/CT 图像中淋巴瘤病变分割的四种神经网络架构进行了全面评估。

featured image - 深度神经网络检测和量化淋巴瘤病变：结论和参考文献

作者：

（1）Shadab Ahamed，加拿大不列颠哥伦比亚大学，加拿大不列颠哥伦比亚省温哥华，加拿大不列颠哥伦比亚省癌症研究所。他还是美国华盛顿州雷德蒙德微软 AI for Good 实验室的 Mitacs Accelerate 研究员（2022 年 5 月 - 2023 年 4 月）（电子邮件：[email protected]）；

（2）徐一熙，微软 AI for Good 实验室，美国华盛顿州雷德蒙德；

（3）Claire Gowdy，加拿大不列颠哥伦比亚省温哥华市不列颠哥伦比亚省儿童医院

（4） Joo H. O，韩国首尔圣玛丽医院

（5） Ingrid Bloise，加拿大不列颠哥伦比亚省温哥华 BC 癌症中心；

（6）Don Wilson，BC Cancer，加拿大不列颠哥伦比亚省温哥华；

（7）Patrick Martineau，BC 癌症中心，加拿大不列颠哥伦比亚省温哥华

（8） Franc¸ois Benard，BC Cancer，加拿大不列颠哥伦比亚省温哥华

（9）Fereshteh Yousefirizi，加拿大不列颠哥伦比亚省温哥华不列颠哥伦比亚省癌症研究所

（10） Rahul Dodhia，微软 AI for Good 实验室，美国华盛顿州雷德蒙德；

（11）Juan M. Lavista，微软 AI for Good 实验室，美国华盛顿州雷德蒙德；

（12）William B. Weeks，微软 AI for Good 实验室，美国华盛顿州雷德蒙德；

（13） Carlos F. Uribe，加拿大不列颠哥伦比亚省温哥华市不列颠哥伦比亚省癌症研究所和加拿大不列颠哥伦比亚省温哥华市不列颠哥伦比亚大学

（14）Arman Rahmim，加拿大不列颠哥伦比亚省温哥华市不列颠哥伦比亚省癌症研究所和加拿大不列颠哥伦比亚省温哥华市不列颠哥伦比亚大学

链接表

六、结论

在本研究中，我们评估了各种神经网络架构，用于自动分割多个数据集中的 PET/CT 图像中的淋巴瘤病变。我们检查了病变测量的可重复性，揭示了网络之间的差异，突出了它们对特定临床用途的适用性。此外，我们引入了三个病变检测标准来评估每个病变级别的网络性能，强调了它们的临床相关性。最后，我们讨论了与地面实况一致性相关的挑战，并强调了拥有明确定义的分割协议的重要性。这项工作为深度学习在淋巴瘤病变分割中的潜力和局限性提供了宝贵的见解，并强调了标准化注释实践的必要性，以提高研究有效性和临床应用。

参考

[1] SF Barrington 等人。“FDG PET 用于霍奇金和非霍奇金淋巴瘤的治疗监测”。《欧洲核医学与分子成像杂志》44.1（2017 年 8 月），第 97-110 页。ISSN：1619-7089。

[2] K. Okuyucu 等。“根据初始 FDG-PET/CT 中肿瘤代谢参数对原发性结外淋巴瘤患者的预后进行评估”。en。在：放射学与肿瘤学杂志 50.4（2016 年 12 月），第 360-369 页。

[3] N. Wu 等人。“深度神经网络提高放射科医生在乳腺癌筛查中的表现”。引自：IEEE 医学成像学报 39.4 (2020)，第 1184-1194 页。

[4] C. Yuan 等人。“通过混合学习进行特征融合，在 PET-CT 图像中分割弥漫性大 B 细胞淋巴瘤”。在：医学物理学 48.7 (2021)，第 3665-3678 页。

[5] H. Hu 等。“基于多视图和 Conv3D 融合策略的 PET 图像淋巴瘤分割”。收录于：2020 年 IEEE 第 17 届国际生物医学成像研讨会 (ISBI)。2020 年，第 1197-1200 页。

[6] H. Li 等人。“DenseX-Net：全身 PET/CT 图像中淋巴瘤分割的端到端模型”。收录于：IEEE Access 8 (2020)，第 8004-8018 页。

[7] L. Liu 等人。“改进的基于多模态块的淋巴瘤分割，并在 PET/CT 扫描中使用负样本增强和标签引导”。在：多尺度多模态医学成像。X. Li 等人编辑。Cham：Springer Nature Switzerland，2022 年，第 121-129 页。ISBN：978-3-031-18814-5。

[8] CS Constantino 等人。“对淋巴瘤患者 [18F]FDG PET/CT 图像的半自动和基于深度学习的全自动分割方法的评估：对肿瘤表征的影响”。《数字成像杂志》36.4（2023 年 8 月），第 1864-1876 页。ISSN：1618-727X。

[9] AJ Weisman 等人。“淋巴瘤中 11 种自动 PET 分割方法的比较”。英文。在：医学与生物学物理学 65.23 (2020)，第 235019-235019 页。

[10] AJ Weisman 等人。“卷积神经网络用于自动 PET/CT 检测淋巴瘤患者病变淋巴结负担”。刊于：放射学：人工智能 2.5 (2020)，e200016。

[11] C. Jiang 等人。“基于深度学习的肿瘤分割和总代谢肿瘤体积预测在 3D FDG-PET 图像中弥漫性大 B 细胞淋巴瘤患者预后中的应用”。《欧洲放射学》32.7（2022 年 7 月），第 4801-4812 页。ISSN：1432-1084。

[12] P. Blanc-Durand 等人。“使用卷积神经网络在 3D FDGPET/CT 上全自动分割弥漫性大 B 细胞淋巴瘤病变，以预测总代谢肿瘤体积。”《欧洲核医学与分子成像杂志》48.5（2021 年 5 月），第 1362-1370 页。ISSN：1619-7089。

[13] S. Ahamed 等人。“使用多类 Dice 损失的 U-Net 卷积神经网络自动分割头颈癌 PET/CT 图像中的肿瘤和淋巴结”。在：头颈部肿瘤分割和结果预测。V. Andrearczyk 等人编辑。Cham：Springer Nature 瑞士，2023 年，第 94-106 页。ISBN：978-3-031-27420-6。

[14] S. Gatidis 等人。“带有手动注释肿瘤病变的全身 FDG-PET/CT 数据集”。收录于：科学数据 9.1（2022 年 10 月），第 601 页。ISSN：2052-4463。

[15] M. Pop 等人。“使用残差 U-Net 进行左心室量化”。英文。收录于：第 11395 卷。心脏统计图谱和计算模型。心房分割和左心室量化挑战。瑞士：Springer International Publishing AG，2019 年，第 371-380 页。ISBN：0302-9743。

[16] A. Myronenko。“使用自动编码器正则化的 3D MRI 脑肿瘤分割”。英文。在：脑损伤：神经胶质瘤、多发性硬化症、中风和创伤性脑损伤。Cham：Springer International Publishing，2019 年，第 311-320 页。ISBN：0302-9743。

[17] F. Isensee 等人。“nnU-Net：一种基于深度学习的生物医学图像分割的自配置方法”。《自然方法》18.2（2020 年 12 月），第 203-211 页。

[18] A. Hatamizadeh 等人。“Swin UNETR：用于 MRI 图像中脑肿瘤语义分割的 Swin Transformers”。英文。在：（2022 年）。

[19] MJ Cardoso 等人。MONAI：医疗保健领域深度学习的开源框架。2022 年。arXiv：2211。02701 [cs.LG]。

[20] S. Ahamed 等人。“使用基于淋巴瘤 PET 图像多分辨率裁剪块训练的 3D 神经网络实现增强病变分割”。刊于：《核医学杂志》64.增刊 1（2023 年），第 1360–P1360 页。ISSN：0161-5505。

[21] JL Fleiss。“测量多个评分者之间的名义量表一致性”。英文。在：心理学公报 76.5（1971 年），第 378-382 页。

[22] AK Jha 等人。“核医学与人工智能：评估最佳实践（RELAINCE 指南）”。en。在：J. Nucl. Med. 63.9（2022 年 9 月），第 1288-1299 页。

[23] N. Hasani 等人。“淋巴瘤 PET 成像中的人工智能：范围综述（当前趋势和未来方向）”。刊于：PET 诊所 17.1（1 月 1 日），第 145-174 页。ISSN：1556-8598。

[24] SK Warfield 等人。“同时进行真实度和性能水平估计（STAPLE）：一种用于图像分割验证的算法”。en。在：IEEE 医学成像汇刊 23.7（2004 年 7 月），第 903-921 页。