Mély tanulás képes differenciálni a májelváltozásokat a CT felvételeken

Közösségek - Informatika | 2018. július 15. 08:19 | Utolsó módosítás dátuma - 2018. július 20. 14:35 | Forrás: http://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&itemId=118944

Mély tanulás algoritmusa képes megfelelő pontossággal differenciálni a májelváltozásokat és így segíteni a radiológusok munkáját

Mély tanulás képes differenciálni a májelváltozásokat a CT felvételeken

A mély tanuláson alapuló konvolúciós neurális hálózat (CNN) képes a kontrasztanyagos CT-n a májelváltozásokat 5 csoportba sorolni, derült ki egy nemrég megjelent tanulmányból.

Egy előzetes tanulmány során kiderült a Dr. Koichiro Yasaka vezetett kutatócsoport által, hogy a CNN modelljük képes volt a májelváltozásokat 84%-os pontossággal csoportosítani. Habár még lenne hely a ritkábban előforduló tumorok csoportosítására is, viszont ezzel a szoftverrel nagyban lehetne segíteni a radiológusok munkáját a mindennapi gyakorlatok során.

“A jelenlegi modellünk képes lehet segíteni a kisebb tapasztalattal rendelkező radiológusoknak differenciálni a májelváltozásokat.” – mondta Yasaka.

Mély tanulás

A mély tanulást folyamatos rivaldafény övezi manapság, mivel nagyon jó százalékkal képes felismerni egyes felvételeken az elváltozásokat. Nem úgy, mint a konvencionális gépi tanulási algoritmusnak, a mély tanulásnak nem kell a használó által előzetesen kinyerni a funkciókat ahhoz, hogy elinduljon az algoritmus.

“Azt gondoltuk, hogy ez a metódus könnyen használható lehetne a mindennapi gyakorlatban, valamint nagy potenciállal határozhatja meg a májelváltozásokat a megfelelő felvételeken.” – mondta Yasaka.

A kutatók a CNN modelljüket 2013. januárja es decembere közötti kontrasztanyagos CT felvételeken taníttatták, hogy képes legyen a májelváltozásokat felismerni és csoportosítani. A kutatás során a radiológiai lelet, valamint a patológiás és a felvételi kritériumok a májelváltozásokat és a fokális léziókat 5 kategóriára csoportosították:

 A kategória: klasszikus hepatocelluláris carcinoma (HCCs)

  • B kategória: malignus máj tumorok a klasszikus és korai HCC kivételével (intrahepatikus cholangiocellularis carcinomák, kombinált hepatocellularis-cholangiocarcinomák, és máj metasztázisok)
  • C kategória: intermedier gócos elváltozások vagy góc-szerű léziók (korai HCCk és diszplasztikus nodulusok) és ritka benignus máj gócok hemangiómák és ciszták kivételével
  • D kategória: máj hemangiómák
  • E kategória: ciszták

A felügyelet nélküli tanulás során a CNN kontrasztanyag nélküli, artériás, késői és ezen felvételek keverékét használta. Összesen 1068 képet használtak, amit 460 páciensből nyertek, a szoftver taníttatására.

Léziónként legfeljebb 5 pozícióval rendelkező felvételek kerültek be és maximum 7 lézió per pácienst használtak fel. A felvételeket Centricity Radiology RA 1000 (GE Healthcare) szoftverrel vizsgálták meg és konvertálták 8 bites JPEG formátumúvá. Ezeket a képeket ezután további feldolgozással és egyéb adatokkal látták el, ami 52 kép/esetet eredményezett, ami az eredeti adathalmazból lett generálva. Összesen 55536 képhalmaz került bele a CNN taníttatásába, melyek 6 konvolúciós, maximum 3 pooling és 3 teljesen kapcsolt réteget tartalmaztak.

“A mi mély tanulási modellünk olyannyira segíti a radiológusokat, hogy nekik csak a tumorokra kell fókuszálniuk, megragadni a megfelelő képeket és ezzel ellátni a CNN modellt. Ez a metódus nem igényel komplex ROI-kat, a tumor nyomon követési határait vagy a tumor kerek vagy elliptikus ROI-jait sem.” – mondta Yasaka.

A kutatók 5 különböző mély tanulási modellt használtak a felvételek kombinációiból a taníttatásra. Miután az algoritmust betanították, a kutatók letesztelték a modellt 100 megfelelő CT felvétellel, amiket 2016-ból nyertek. A legjobban teljesítő modellt 3 felvételi típussal taníttatták: nem-kontrasztos, artériás és késői felvételekkel.

Magasan szenzitív

Az algoritmus magas érzékenységet produkált a májelváltozások kategorizálására, amit 5 csoportba osztott:

  • A kategória: klasszikus HCCk -- 15/21 (71%)
  • B kategória: malignus máj tumorok a klasszius és korai HCCk kivételével -- 3/9 (33%)
  • C kategória: intermedier gócok vagy góc-szerű léziók és ritka benignus máj gócok a hemangiómák és ciszták kivételével -- 33/35 (94%)
  • D kategória: máj hemangiomák -- 18/20 (90%)
  • E kategória: ciszták -- 15/15 (100%)

A modell összesen 84%-os pontosságot ért el. Jobban beleásva az adatokba a kutatók észrevették, hogy a modell az A-B kategóriát a C-E kategóriától való elkülönítésben 0,92 ROC értéket ért el.

“A CNN modell képes lehet a mindennapi gyakorlat során a májcsomók differenciálására, habár további fejlesztések kellenének az adekvát és megbízható kategorizálásra a ritkább májgócok kategorizálásában is.” – mondta Yasaka.

A csoport jelenleg azt tervezi, hogy a modelljükhöz megfelelő adatokat gyűjtenek a ritkább malignus májcsomók taníttatására is - zárta le Yasaka.

 

Referálta:

dr. Firtkó Szilveszter

radiológus szakorvosjelölt

Debreceni Egyetem Kenézy Gyula Egyetemi Kórház

Központi Radiológia Diagnosztika

 

További cikkek