Оценка диагностической ценности глубокого машинного обучения для автоматизированной сегментации паренхимы поджелудочной железы и ее гипо- и гиперваскулярных образований по КТ-изображениям с помощью U-net нейросети

Аннотация:

Цель исследования: создание и оценка эффективности технологии сегментации паренхимы поджелудочной железы (ПЖ), а также сегментации и детекции ее гипер- и гиповаскулярных образований на компьютерных томограммах органов брюшной полости с использованием глубокого машинного обучения. Материал и методы. Для обучения алгоритмов были использованы КТ-исследования из базы данных НМИЦ хирургии им. А.В. Вишневского - общий объем около 150 исследований (артериальная и портальная фазы исследования). Для валидации полученных алгоритмов был подготовлен тестовый набор данных из 46 анонимизированных КТ-исследований (артериальная и портальная фазы исследования), независимо оцененных врачами-экспертами. В качестве основной сегментационной нейросети (ИНС) используется nn-UNet. Результаты. Средняя точность тестового набора данных для модели, определяющей сегментационные маски ПЖ на КТ-изображениях, AUC составила - 0,8 для портальной фазы и - 0,85 для артериальной фазы, сегментационные маски образований поджелудочной железы - 0,6. Заключение. Автоматизированная сегментация структуры паренхимы ПЖ с использованием технологий глубокого машинного обучения показала высокую точность. Сегментация гипо- и гиперваскулярных образований ПЖ требует совершенствования. Совпадение масок показало достаточно низкий результат, однако во всех случаях место расположения патологического образования было отмечено алгоритмом правильно. Совершенствование обучающего дата-сета и используемого алгоритма может увеличить точность алгоритма. При детекции образований ПЖ ложноотрицательных результатов получено не было, во всех случаях ИНС детектировала “подозрительные” области паренхимы ПЖ. Это может помочь снизить пропуски патологий ПЖ по компьютерным томограммам, а дальнейшую их оценку может осуществлять сам врач-рентгенолог.

Авторы:

Издание: Медицинская визуализация
Год издания: 2024
Объем: 10с.
Дополнительная информация: 2024.-N 3.-С.12-21. Библ. 19 назв.
Просмотров: 0