文献日更：Deep Learning Assessment of Small Renal Massess at Contrast-enhanced Multiphase CT-CSDN博客

本文链接：https://blog.csdn.net/weixin_48111108/article/details/139318242

研究开发并验证了一种深度学习算法，用于对比增强多期相CT图像中识别良性小肾肿块，表现与专业医生相当。

摘要由CSDN通过智能技术生成

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 $\pm$ 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。