用混合损失函数的卷积神经网络对FDG PET图像中淋巴瘤病灶进行完全自动分割
摘要：淋巴瘤病变的分割具有挑战性，因为它们在全身PET扫描中具有不同的大小和位置。本研究提出了一种使用具有异质特征的弥散性大B细胞淋巴瘤（DLBCL）的多中心数据集的全自动分割技术。我们利用来自两个不同影像中心的[18F]FDG-PET扫描数据集（n=194），包括原发性纵隔大B细胞淋巴瘤（PMBCL）的病例（n=104）。我们使用自动化的脑部和膀胱去除方法作为预处理步骤，以解决这些器官中正常过度代谢造成的假阳性问题。我们的分割模型是基于3D U-Net架构的卷积神经网络（CNN），包括压缩和激励（SE）模块。我们使用混合分布、区域和边界损失（统一的焦点和Mumford-Shah（MS））进行了实验，与其他组合相比表现出最佳性能（p<0.05）。在训练/验证数据上进行了不同中心、DLBCL和PMBCL病例以及三个随机拆分的交叉验证。这六个模型的集成实现了0.77+-0.08的Dice相似系数（DSC）和16.5+-12.5的Hausdorff距离（HD）。与相同损失函数（统一的焦点和MS损失）（DSC=0.64+-0.21和HD=26.3+-18.7）的3D U-Net（没有SE模块）相比，我们的使用SE模块的3D U-Net模型在分割中表现更好（p<0.05）。我们的模型可以在多中心环境中实现完全自动化的定量分析流程，为淋巴瘤管理中有用的总代谢肿瘤体积（TMTV）和其他指标的例行报告提供了可能性。
作者：Fereshteh Yousefirizi, Natalia Dubljevic, Shadab Ahamed, Ingrid Bloise, Claire Gowdy, Joo Hyun O, Youssef Farag, Rodrigue de Schaetzen, Patrick Martineau, Don Wilson, Carlos F. Uribe, Arman Rahmim
论文ID：2208.00274
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2022-08-11