Deep Learning Assessment of Small Renal Masses at Contrast-enhanced Multiphase CT
Radiology, Vol.311, No.2, 2024, Original Research, Genitourinary Imaging
复旦大学中山医院
背景Background:准确识别可疑肾脏小肿块对优化管理至关重要。深度学习算法可以帮助实现这一目标。
目的Purpose:为了开发和验证深度学习算法在对比增强多阶段CT数据上识别良性肾脏小肿块
结果Results:验证一共1703个病人(平均年龄,56岁12[SD][标准差]);619女性)有每个病人有单个肾脏小肿块。回溯性数据集包括了1063个病变(874个训练集,189个外部测试集);多中心外部测试集包括了537个病变(12.3%,66个良性)有着89个亚厘米(≤1cm)病变(16.6%);回溯性测试集包括了103个病变(13.6%,14个良性)这其中有20个(19.4%)亚厘米病变。深度学习算法的性能与泌尿外科影像科医生相比较:对于外部测试集,AUC是0.80(95%CI置信区间:0.75,0.85)对比0.84(95%CI置信区间:0.78,0.88)(P=.61);对于回溯性测试集,深度学习算法和泌尿外科医生有着相似的AUC,为0.74(95%置信区间:0.63,0.83)和0.81(95%置信区间:0.68,0.92)(P=.78),respectively.
总结Summary:
基于对比增强多期相CT的深度学习算法展现了极好的分类性能,在识别小的肾脏肿块如良性病变。
A deep learning algorithm based on contrast-enhanced multiphase CT demenstrated good performance for characterizing small (≤3cm) renal masses as benign lesions.
Key Results
1.开发了一种深度学习算法识别微小(≤3cm)良性肾脏肿块,在对比增强多期相CT上,有comparable的性能,与泌尿外科影像科医生相比,在多中心的外部数据集(n=537; area under ROC [AUC],0.80 vs 0.84; P=.70)和回溯性数据集(n=103; AUC, 0.87 vs 0.92; P=.70)上,用病理学作为参考标准。
2.对于亚厘米(≤1cm)肾脏肿块,算法取得了更强的性能与泌尿外科影像科医生相比,在外部数据测试集上。
Model
multi-view 卷积神经网络模型被构建来评估微小肾脏肿块的良性可能性。对于每个肾脏肿块,配准好的多期相图像被裁剪为14×14cm的以肿瘤为中心的感兴趣区域在轴向的切片,以肿瘤区域的直径的最大值。裁剪图像被重采样到一个统一的空间分辨率0.625×0.625mm,被用来作为多视角分类模型的输入。如图2,模型首先提取single-phase单期相的图像特征用ResNet作为backbone并且融合这些特征来预测良性的概率,从0到1。深度学习算法在训练集上构建并在内部测试集、外部测试集、回溯性测试集上验证。卷积神经网络设计的细节见附录S1和图S2。源码发布在github。
图2
如果本文对你有帮助,欢迎关注,一键三连!