ICCVOct, 2023

基于分割的胰腺导管腺癌肿瘤血管涉及评估用于手术可切除性预测

PDF
TL;DR胰腺导管腺癌（PDAC）是一种具有有限治疗选择的高度侵袭性癌症。本研究提出一种工作流程和基于深度学习的分割模型，自动评估肿瘤 - 血管的参与程度，这是决定肿瘤可切除性的关键因素。肿瘤可切除性的正确评估对于确定治疗选择至关重要。所提出的工作流程包括处理 CT 扫描以分割肿瘤和血管结构，分析空间关系和血管参与的程度，该过程与 PDAC 评估中的专家放射科医生的工作方式相似。三种分割架构（nnU-Net，3D U-Net 和概率性 3D U-Net）在分割静脉、动脉和肿瘤方面具有高度准确性。分割使得可以自动检测肿瘤的参与程度，准确度高（0.88 敏感性和 0.86 特异性），并自动计算肿瘤 - 血管接触的程度。此外，由于这些重要结构的显著观察者差异性，我们提供了每个模型捕捉到的不确定性，进一步增加对预测参与度的洞察。这一结果为临床医生提供了肿瘤 - 血管参与的明确指示，并可用于促进外科干预的更理性决策。所提出的方法为改善胰腺癌患者的预后、个性化治疗策略和生存率提供了宝贵的工具。
pancreatic ductal adenocarcinomatumor-vessel involvementdeep learning-based segmentation modelsresectability assessmentct scans
发现论文，激发创造
  • 通过整合神经距离和纹理感知变形网络 提高胰腺癌多相 CT 的预后预测

    该研究提出了一种新颖的可学习的神经距离，用于描述胰腺导管腺癌与周围重要血管之间的精确关系，并将其作为预后预测的主要特征。通过融合局部和全局特征，使用 CNN 和 Transformer 模块来提取多阶段 CT 图像中的动态肿瘤相关纹理特征，进一步增强跨多个阶段 CT 图像提取的特征。通过与现有方法在多中心数据集上进行广泛评估和比较，并在包括三个中心的外部测试集中进行统计分析，证实了该方法在临床上的有效性。开发的风险标记是预操作因素中最强的整体生存预测因子，具有与现有临床因素结合选择高危患者并获得新辅助治疗益处的潜力。

    Aug, 2023

  • 多时相胰腺导管腺癌分割的超级对配网络

    探究采用多期信息的肿瘤自动分割方法，通过 Hyper-Pairing Network 的建立和使用可将 DSC 提高至 63.94%。

    Sep, 2019

  • 3DGAUnet: 基于 3D U-Net 的 3D 生成对抗网络生成器，在胰腺癌的临床肿瘤图像数据中实现准确和有效的合成

    通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

    Nov, 2023

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • 基于单个 2D 投影和深度监督的对比增强 CT 图像的 3D 动脉分割

    我们提出了一种新的方法，通过深度监督仅使用一个注释的 2D 投影来单独分割 3D 胰周动脉，从而减少注释工作量，并且通过将 2D 标签映射到 3D 空间并将其纳入训练，几乎消除了 3D 监督与 2D 监督之间的性能差距。

    Sep, 2023

  • 基于新的血管性滤波器组合的深度血管分割

    介绍了一种创新的滤波器融合方法，增强了血管分割模型的效果，通过对比分析，研究表明在训练模型时使用强化血管输入可以提高细分较小血管的效果。

    Feb, 2024

  • 基于全面嵌套卷积神经网络的胰腺自动定位与分割的空间聚合

    本研究提出了一种基于深度学习的自动化系统，使用 3D CT 扫描实现胰腺的定位和分割来解决医学图像分析中的器官分割问题，并在公开数据集上进行了四倍交叉验证的定量评估。

    Jan, 2017

  • DeepVesselNet: 三维血管造影体积中的血管分割、中心线预测和分叉点检测

    DeepVesselNet 是一种适用于血管图像分割的网络结构，主要使用 2D 十字卷积滤波器和合成数据集进行训练，能在降低计算复杂度的同时实现较高准确率。

    Mar, 2018

  • 使用去噪扩散模型在 CT 图像中进行胰腺肿瘤分割的异常检测

    通过使用去噪扩散算法，本研究提出了一种新颖的胰腺肿瘤检测方法，利用弱监督异常检测技术，可以在不需要复杂的训练协议和分割掩模的情况下，实现病变与健康对象之间的图像平滑转换，产生详细的异常图，为胰腺肿瘤检测领域的进一步研究做出了贡献。

    Jun, 2024

  • 腹部 CT 扫描中胰腺囊肿分割的深度监督

    介绍了一种基于深度学习的胰腺囊肿自动分割方法，通过加入深度监督并基于合理的变换函数，将分割任务分解为不同的步骤，应用于 131 个病理样本中取得了 63.44% 的平均精度（Dice-Sørensen 系数），高于未使用深度学习方法的 60.46%。

    Jun, 2017