10.3760/cma.j.cn321828-20200906-00337
基于深度学习的核素骨显像中骨转移瘤的诊断及评估
目的:基于深度学习对
99Tc
m-亚甲基二膦酸盐(MDP)全身骨显像图像中骨转移瘤进行智能诊断,并设计肿瘤负荷的定量评估指标。
方法:回顾性纳入同济大学附属第十人民医院核医学科2018年3月至2019年7月间621例患者(男389例、女232例;年龄12~93岁)的骨显像图像,分为骨转移瘤组和非骨转移瘤组。从2组分别抽取80%作为训练集,余20%作为测试集。利用深度残差卷积神经网络ResNet34构建骨转移瘤诊断分类及分割模型。计算灵敏度、特异性、准确性以评估分类模型性能,分析分类模型在<50岁(15例)、≥50且<70岁(75例)及≥70岁(33例)组的性能差异。利用模型分割骨转移瘤区域,以骰子系数评估分割模型结果与人工标注结果的比对。计算骨显像肿瘤负荷系数(BSTBI)以定量评估骨转移瘤肿瘤负荷。结果:骨转移瘤图像280例,非骨转移瘤图像341例;其中,训练集498例,测试集123例。诊断分类模型识别骨转移瘤的灵敏度、特异性及准确性分别为92.59%(50/54)、85.51%(59/69)和88.62%(109/123)。分类模型在<50岁组表现最佳(灵敏度2/2,特异性12/13,准确性14/15),其特异性在≥70岁组中最低(8/12)。分割模型中,骨转移瘤区域骰子系数为0.739,膀胱区域骰子系数为0.925,模型在3个年龄组表现相当。初步结果显示,BSTBI随病灶数目的增多、
99Tc
m-MDP摄取程度的增高而增大。构建的骨转移瘤智能诊断模型从输入原始数据到最终完成BSTBI计算所需时间为(0.48±0.07) s。
结论:基于深度学习的骨转移瘤智能诊断模型能较准确地识别骨转移瘤、进行自动区域分割及计算肿瘤负荷,为骨显像图像的解读提供了新方法。研究提出的BSTBI有望成为骨转移瘤肿瘤负荷的定量评估指标。
肿瘤转移、骨骼、放射性核素显像、99m锝美罗酸盐、神经网络(计算机)
42
2023-05-30(万方平台首次上网日期,不代表论文的发表时间)
共5页
22-26