Longitudinal Assessment of Lung Lesion Burden in CT

要約

米国では、肺がんは2番目の主要な死因です。
疑わしい肺結節の早期発見は、患者の治療計画、管理、および結果の改善に不可欠です。
肺結節のセグメンテーションと体積分析の多くのアプローチが提案されていますが、肺腫瘍全体の負担の縦方向の変化を検討している人はほとんどいません。
この作業では、肺病変を自動的にセグメント化し、各患者の総病変の負担を定量化するために、解剖学的前層の有無にかかわらず2つの3Dモデル（NNUNET）をトレーニングしました。
Priorsのない3Dモデルは、解剖学的で訓練されたモデルを大幅に上回る（$ p <.001 $）。 臨床的に有意な病変を検出するために、$ 1cm> $ 1cm、71.3 \％の精度、68.4 \％の感度、および69.8 \％のF1スコアが達成されました。
セグメンテーションのために、77.1 $ \ pm $ 20.3のサイコロスコアと11.7 $ \ pm $ 24.1 mmのhausdorff距離エラーが得られました。
病変の負担の中央値は6.4 cc（IQR：2.1、18.1）であり、手動測定と自動測定の間の体積差の中央値は0.02 cc（IQR：-2.8、1.2）でした。
また、契約は線形回帰とブランド・アルトマンのプロットで評価されました。
提案されたアプローチは、患者の総腫瘍負担の個別評価を生み出し、時間の経過とともに間隔の変化追跡を促進することができます。

要約(オリジナル)

In the U.S., lung cancer is the second major cause of death. Early detection of suspicious lung nodules is crucial for patient treatment planning, management, and improving outcomes. Many approaches for lung nodule segmentation and volumetric analysis have been proposed, but few have looked at longitudinal changes in total lung tumor burden. In this work, we trained two 3D models (nnUNet) with and without anatomical priors to automatically segment lung lesions and quantified total lesion burden for each patient. The 3D model without priors significantly outperformed ($p < .001$) the model trained with anatomy priors. For detecting clinically significant lesions $>$ 1cm, a precision of 71.3\%, sensitivity of 68.4\%, and F1-score of 69.8\% was achieved. For segmentation, a Dice score of 77.1 $\pm$ 20.3 and Hausdorff distance error of 11.7 $\pm$ 24.1 mm was obtained. The median lesion burden was 6.4 cc (IQR: 2.1, 18.1) and the median volume difference between manual and automated measurements was 0.02 cc (IQR: -2.8, 1.2). Agreements were also evaluated with linear regression and Bland-Altman plots. The proposed approach can produce a personalized evaluation of the total tumor burden for a patient and facilitate interval change tracking over time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google