首页 > 文章详情

2022年美国临床肿瘤学年会——影像组学（MRI篇）

2022年08月10日

编译：周钰波、邱鸿锐、尤培蒙

来源：ThoracicSurgeryOnline胸科在线

2022年美国临床肿瘤学年会

——影像组学（MRI篇）

ASCO Abstract -- Part of radiomics

摘要号：597

Topic：Harnessing artificial intelligence to automate delineation of volumetric breast cancers from magnetic resonance imaging to improve tumor characterization.

利用人工智能从磁共振成像自动描绘体积乳腺癌，以改善肿瘤特征

背景：

磁共振成像(MRI)中乳腺肿瘤的自动识别和分割是乳腺癌研究中的一个难点和关键领域。人工智能(AI)模型越来越多地用于在成像研究中自动定位病变，但很少有人从乳腺MRI中实现三维(3D)体积肿瘤分割。本研究目的是将两种最先进的人工智能深度学习(DL)算法应用于3D MRI乳腺癌数据，并确定用于精确分割乳腺肿瘤的更高性能的算法。

方法：

评估222名已知乳腺癌患者的治疗前、T1造影剂增强后的乳腺MRI。对U-Net和VAE-UNet两种DL算法进行了训练，以在1000个epoch的训练组上对肿瘤进行分类。每个MRI图像的输出都是在像素级别对每个肿瘤进行精确的定位和分割，计算模型的dice精度分数作为性能比较指标。

结果：

儘管在大多數情況下 U-Net 的表現似乎略好於 VAE-Unet，但在某些情況下 VAE-UNet 的表現優於 U-Net（dice得分比 U-Net 高 59%）。隨後的分析表明，對於球形度較低的腫瘤，VAE-UNet 優先優於 U-Net。

结论：

我们的结果表明，在大多数情况下，U-Net 非常适合从乳腺 MRI 中分割乳腺肿瘤，但是当肿瘤形状不接近球形时，VAE-UNet 的性能优于 U-Net。这两个工具可以配置为促进临床环境中乳房 MRI 的肿瘤评估：高危患者人群的乳腺癌筛查、术前计划和治疗反应监测。

摘要号：2054

Deep learning-based brain tumor segmentation on limited sequences of magnetic resonance imaging

基于深度学习的有限序列磁共振成像脑肿瘤分割

背景：

深度学习算法在磁共振成像(MRI)中分割出脑肿瘤，在精选数据集提供的理想条件下表现良好。

方法：

在实验中，使用基于卷积神经网络的U-Net结构。与标准的BraTS任务不同，专注于对脑肿瘤的特定区域进行细分：活跃、强化的肿瘤(AT)和肿瘤核心(TC；AT加上囊性/坏死性核心)。使用T1对比度增强，T1CE和FLAIR这两个序列中的一个或两个对BraTS2018数据集的285个样本进行了体系结构训练。

使用每个训练模型预测分割模板，给出了脑肿瘤的体积磁共振图像，在测试数据集中的66个样本上，将预测的分割提交给生物医学图像计算和分析中心(CBICA)成像门户进行评估，该门户通过返回每个预测的dice分数来报告预测准确性。

结果：

如表所示，仅使用T1CE的U-Net模型在分割AT和TC时获得了高性能，中位数dice得分分别为0.84461和0.88267。另一方面，单独使用FLAIR在分割AT区和TC区的相同任务中会产生较低的性能。与作为独立序列使用的T1CE相比，组合T1CE和FLAIR没有提供额外的性能改进。

结论：

在训练深度学习算法时，我们使用有限数量的MRI序列在两个脑肿瘤分割任务中取得了较高的性能。

仅T1CE就在TC和AT节段上产生了高性能。鉴于T1CE序列的普遍存在，在现实世界的临床或研究环境中应用算法时，在图像序列可用性有限的情况下实现高性能肿瘤分割的能力至关重要。

摘要号：10035

A fully automated MRI-based deep-learning algorithm for classifying germinomas and nongerminomatous germ cell tumors.

一种基于MRI的全自动深度学习算法用于生殖细胞瘤和非生殖细胞肿瘤的分类。

背景：

颅内生殖细胞肿瘤 (iGCT) 分为两种病理亚型（生殖细胞瘤 [GE] 和混合性生殖细胞瘤 [NGGCT]），具有不同的治疗策略和预后。术前确定 iGCT 亚型对于临床决策和预后评估至关重要。开发和验证一种深度学习算法，以使用术前 T2W 图像自动分割 iGCT 并对其亚型进行分类。

方法：

1.回顾分析北京天坛医院2008年1月1日至2020年10月31日收治的594例IGCT患者的脑部MRI表现及相应的病理资料，其中GE 269例，NGGCT 325例。

2.594个病例被细分为训练组(n=416)和测试组(n=178)，利用T2W图像同时开发和测试用于iGCT分割及其亚型(GES和NGGCT)的3D NNU-Net。

3.设计一个前瞻性队列(n=73，56个GE和17个NGGCT)作为模拟集，以在模拟临床应用中测试该模型。

4.计算DICE评分以评估肿瘤分割；用准确性、敏感性、特异性和曲线下面积(AUC)来评估GE和NGGCT的分类。

5.分别对试验组和模拟组中肿瘤位于鞍上、松果体和基底节的亚组进行敏感度分析。

结果：

结论：

这种全自动深度学习算法，仅使用基于大数据集的T2W图像，就可以高精度地分割iGCT并对GE和NGGCT进行分类。

指导教师

周海榆教授

主攻肺癌以单孔胸腔镜微创及机器人辅助微创手术为主的多学科综合治疗、食管癌胸腹腔镜（全腔镜）及机器人手术、各种良恶性肺、重症肌无力及胸腺瘤等胸部良恶性疾病的胸腔镜手术及胸部肿瘤基础及转化性研究。

学术任职：

广东省人民医院胸外科主任医师，博士研究生导师

江西省肺癌研究所所长

哈佛医学院/麻省总医院访问学者

广东省健康管理学会胸部肿瘤及肺结节管理专业委员会主任委员

广东省肺部肿瘤精准治疗联盟副主席

江西省肺癌质控中心名誉主任

江西省医学会医学信息学专业委员会主任委员

江西省抗癌协会小细胞肺癌专业委员会名誉主任委员

江西省抗癌协会肿瘤人工智能专业委员会主任委员

汇报者

林鸿威

广东医科大学硕士研究生

研究方向：基于深度学习非小细胞肺癌医学图像识别

免责声明

本文仅供专业人士参看，文中内容仅代表ThoracicSurgery Online胸科在线立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除。

领新版指南，先人一步>>

查看详情